Conteúdo

A Engenharia de Confiabilidade de Sites (Site Reliability Engineering, ou SRE) estabelece conceitos e práticas para que os times aprendam a lidar com eventos inesperados, identificando prioridades e entidades envolvidas, bem como quantificando o impacto no negócio. SREs ajudam toda a organização com a melhoria de processos através do gerenciamento de incidentes: contribuem com o desenvolvimento, testes, releases e análise da infraestrutura, pois detêm um entendimento profundo de observabilidade e ajudam a mitigar danos ao abraçar o caos da imprevisibilidade.

Neste livro, Marcelo Costa se aprofunda no mundo de SRE e no gerenciamento de incidentes. Você vai aprender a identificar quando um determinado serviço não se comporta como o esperado, a severidade de sua interrupção e como observar seus principais indicadores. Com este material, você saberá os pontos de atenção para onde olhar na infraestrutura que abriga os sistemas, com foco em Escalabilidade, Disponibilidade e Resiliência, como são observados, aplicar tecnologias de monitoramento como Métricas, Logs, Traces, e frameworks de performance como SLOs (Objetivos de Nível de Serviço), automação de tarefas e Engenharia do Caos.

Saiba o que você vai aprender

Sumário

Parte 1: Fundamentos

• 1 O que é SRE?
• 1.1 Conhecendo SRE
• 1.2 Um pouco de história
• 1.3 Outros times de engenharia de software e SRE

• 2 Competências de SRE
• 2.1 SLOs, SLIs e Orçamento de Erro
• 2.2 Gerenciamento de incidentes
• 2.3 Observabilidade
• 2.4 Desenvolvimento de ferramentas e automação de atividades repetitivas
• 2.5 Engenharia do Caos
• 2.6 O que mais SREs fazem?

• 3 O ciclo de vida do desenvolvimento de software
• 3.1 Ambientes
• 3.2 Uma breve revisão sobre Integração Contínua e Entrega Contínua (CI/CD)
• 3.3 Testes e Quality Assurance
• 3.4 Estratégias de deployments para confiabilidade
• 3.5 Gerenciamento de releases
• 3.6 O serviço está em Produção, e agora?

Parte 2: Infraestrutura

• 4 Arquiteturas de software confiáveis
• 4.1 Escalabilidade
• 4.2 Disponibilidade
• 4.3 Resiliência

• 5 Plataformas de runtime
• 5.1 Soluções On-Premises
• 5.2 Soluções na Nuvem
• 5.3 Outras plataformas

Parte 3: Observabilidade

• 6 Métricas
• 6.1 Os 4 sinais de ouro de SRE
• 6.2 Bancos de dados de série temporal
• 6.3 Cuidados com métricas
• 6.4 OpenTelemetry
• 6.5 Criando uma aplicação de exemplo

• 7 Logs
• 7.1 Logs em ação

• 8 Traces
• 8.1 Traces em ação
• 8.2 Amostragem de Traces

Parte 4: Conceitos de confiabilidade

• 9 Objetivos de Nível de Serviço (SLOs)
• 9.1 SLO
• 9.2 SLIs
• 9.3 Orçamento de Erro

• 10 Boas práticas para alertas
• 10.1 Alertando de acordo com SLOs e SLIs
• 10.2 Alertas e níveis de prioridade
• 10.3 Documentando passos acionáveis para alertas
• 10.4 Lidando com alertas durante o plantão (on-call)

Parte 5: Gerenciamento de incidentes

• 11 Ferramentas de SRE
• 11.1 Metaengenharia
• 11.2 Sobre construir as próprias ferramentas ou adotar soluções existentes no mercado
• 11.3 Sugestões de ferramentas

• 12 O ciclo de vida de um incidente
• 12.1 Problema reportado
• 12.2 Triagem
• 12.3 Diagnóstico
• 12.4 Tratamento
• 12.5 Revisão
• 12.6 Conclusão

• 13 Outras práticas para melhorias de confiabilidade
• 13.1 Orientações básicas
• 13.2 Monitoramento Sintético
• 13.3 Simulações de incidentes
• 13.4 Interruptores de funcionalidades
• 13.5 Redirecionamento de tráfego
• 13.6 Considerações finais

• 14 Bibliografia
• 14.1 Recomendações