SRE - Site Reliability Engineering

Sadržaj

Prvi deo: Od sistemske administracije do pouzdanih digitalnih servisa

SRE - Site Reliability Engineering povezuje sistemsku administraciju, softversko inženjerstvo, DevOps kulturu i operativni rad nad modernim IT servisima. Umesto da se infrastruktura posmatra samo kao skup servera, mreža i aplikacija, SRE uvodi razmišljanje o pouzdanosti, dostupnosti, merljivim ciljevima, automatizaciji, incidentima i učenju iz grešaka. Prvi deo praktikuma objašnjava šta je SRE, zašto je nastao, kako se razlikuje od klasične operacije, kako se meri pouzdanost i zašto su SLO, SLA, SLI i error budget važni za ozbiljan rad sa produkcionim sistemima.

I. Uvod u SRE

1. Šta je SRE – spoj softverskog inženjerstva i operativne pouzdanosti 2. Zašto učiti SRE – put od sistem administracije ka pouzdanim servisima 3. DevOps i SRE – sličnosti, razlike i zajednička kultura odgovornosti 4. Pouzdanost kao inženjerski cilj – dostupnost, stabilnost i poverenje korisnika 5. SRE uloge i timovi – ko brine o servisima, incidentima i automatizaciji

II. Osnovni pojmovi pouzdanosti

6. SLI – Service Level Indicator kao merljivi pokazatelj ponašanja servisa 7. SLO – Service Level Objective kao realan cilj pouzdanosti 8. SLA – Service Level Agreement kao formalni dogovor sa korisnicima 9. Error budget – kontrolisana ravnoteža između brzine razvoja i stabilnosti 10. Toil – ručni, ponovljivi i zamorni operativni rad koji treba smanjivati

III. Arhitektura pouzdanih sistema

11. Dostupnost i redundansa – kako sistemi ostaju dostupni kada deo otkaže 12. Skaliranje – horizontalno, vertikalno i automatsko prilagođavanje opterećenju 13. Load balancing – raspodela saobraćaja i zaštita aplikacionih servisa 14. Failover – prelazak na rezervne resurse u slučaju problema 15. Backup i restore – zaštita podataka i oporavak posle greške

IV. Monitoring, observability i svakodnevni nadzor

16. Monitoring – praćenje stanja sistema, servisa i infrastrukture 17. Metrike – brojevi koji pokazuju zdravlje, opterećenje i ponašanje sistema 18. Logovi – tragovi događaja koji pomažu u razumevanju problema 19. Tracing – praćenje zahteva kroz distribuirane aplikacije 20. Alerting – obaveštenja koja traže pažnju, reakciju i dobru prioritizaciju

Drugi deo: Incidenti, automatizacija, Kubernetes, sigurnost i operativna zrelost

Kada se razumeju osnovni pojmovi pouzdanosti, sledeći korak je praktičan operativni rad. SRE ne znači samo reagovanje kada sistem padne, već podrazumeva pripremu, merenje, automatizaciju, dokumentaciju, kontrolu rizika, učenje iz incidenata i stalno smanjivanje ručnog rada. Drugi deo praktikuma vodi kroz incident management, on-call rad, runbook dokumentaciju, postmortem analizu, automatizaciju, Kubernetes okruženja, sigurnost, kapacitete, performanse i mini projekte koji pokazuju kako SRE postaje most između infrastrukture, aplikacija, korisnika i poslovne odgovornosti.

V. Incident management i operativni odgovor

21. Incident management – organizovan odgovor kada servis ne radi kako treba 22. On-call – dežurstvo, odgovornost i zdrava operativna praksa 23. Runbook – dokumentovana procedura za poznate probleme i rutinske intervencije 24. Postmortem – analiza incidenta bez traženja krivca 25. Komunikacija u incidentu – jasne informacije za timove, korisnike i menadžment

VI. Automatizacija i smanjenje ručnog rada

26. Automatizacija – pretvaranje ponovljivih zadataka u pouzdane procedure 27. Infrastructure as Code – upravljanje infrastrukturom kroz kod i verzionisanje 28. CI/CD i pouzdanost – sigurna isporuka promena u produkciono okruženje 29. Release strategije – rolling, blue-green, canary i kontrolisano uvođenje promena 30. Konfiguracija i drift – kako sprečiti razilaženje između željenog i stvarnog stanja

VII. SRE u cloud native i Kubernetes okruženju

31. SRE i Kubernetes – pouzdanost klastera, workload-a i aplikacionih servisa 32. Health checks – readiness, liveness i startup probe u praksi 33. Resursi i limiti – CPU, memorija, request, limit i stabilnost aplikacija 34. Autoscaling – automatsko prilagođavanje aplikacija promenljivom opterećenju 35. Service mesh – kontrola komunikacije, sigurnosti i observability-ja između servisa

VIII. Performanse, sigurnost, zrelost i mini projekti

36. Performanse – latencija, throughput, zagušenja i optimizacija korisničkog iskustva 37. Capacity planning – planiranje resursa pre nego što sistem postane usko grlo 38. Sigurnost i pouzdanost – zaštita sistema kao deo operativne stabilnosti 39. Mini projekat – mali SRE monitoring lab za učenje i vežbu 40. Mini projekat – incident response scenario za SRE praksu

Zaključak: SRE kao most između tehnologije, pouzdanosti, automatizacije i poverenja korisnika