Najavljujemo prvi praktični kurs o SRE u Rusiji: .
Tokom intenzivnog ćemo tri dana izgraditi, razbiti, popraviti i poboljšati web stranicu agregatora za prodaju karata za kino.
Odabrali smo agregator ulaznica jer ima mnogo scenarija neuspjeha: priliv posjetitelja i DDoS napade, kvar jednog od mnogih kritičnih mikroservisa (autorizacija, rezervacije, obrada plaćanja), nedostupnost jednog od brojnih kina (razmjena podataka o slobodna mjesta i rezervacije) i dalje niz listu.
Formulisaćemo koncept pouzdanosti za naš agregator sajt, koji ćemo dalje razvijati u inženjeringu, analizirati dizajn sa stanovišta SRE, odabrati metriku, postaviti njihovo praćenje, eliminisati incidente u nastajanju, sprovesti obuku za timski rad sa incidentima u uslovima bliskim borbenim, organizovati debrifing.
Program vode zaposlenici Booking.com-a i Google-a.
Ovog puta neće biti učešća na daljinu: kurs je izgrađen na ličnoj interakciji i timskom radu.
Detalji ispod reza
Zvučnici
Ivan Kruglov
Glavni programer na Booking.com (Holandija)
Otkako se pridružio Booking.com-u 2013. godine, radio je na infrastrukturnim projektima kao što su distribuirana isporuka i obrada poruka, BigData i web-stack, pretraga.
Trenutno radi na pitanjima izgradnje internog oblaka i Service Mesh.
Ben Tyler
Glavni programer na Booking.com (SAD)
Angažovan na internom razvoju Booking.com platforme.
Specijaliziran je za servisnu mrežu / otkrivanje usluga, zakazivanje paketnih poslova, odgovor na incidente i postmortem proces.
Govori i predaje na ruskom.
Evgeniy Varavva
Generalni programer u Googleu (San Francisco).
Iskustvo od velikih web projekata do istraživanja kompjuterskog vida i robotike.
Od 2011. godine uključen je u kreiranje i rad distribuiranih sistema u Google-u, učestvujući u punom životnom ciklusu projekta: konceptualizacija, dizajn i arhitektura, lansiranje, sklapanje i sve međufaze.
Eduard Medvedev
CTO u Tungsten Labs (Njemačka)
Radio je kao inženjer u StackStormu, odgovoran za ChatOps funkcionalnost platforme. Razvijen i implementiran ChatOps za automatizaciju data centara. Predavač na ruskim i međunarodnim konferencijama.
Program
Program se aktivno razvija. Sada to izgleda ovako, do februara bi se moglo poboljšati i proširiti.
Tema #1: Osnovni principi i metode SRE
- Šta je potrebno da postanete SRE?
- DevOps vs SRE
- Zašto programeri cijene SRE i jako su tužni kada nisu u projektu
- SLI, SLO i SLA
- Budžet grešaka i njegova uloga u SRE
Tema #2: Dizajn distribuiranih sistema
- Arhitektura i funkcionalnost aplikacije
- Neapstraktni dizajn velikog sistema
- Operativnost / Dizajn za kvar
- gRPC ili REST
- Verzija i kompatibilnost unatrag
Tema #3: Kako je prihvaćen SRE projekat
- Najbolje prakse SRE
- Kontrolna lista prihvatanja projekta
- Evidentiranje, metrika, praćenje
- Uzimamo CI/CD u svoje ruke
Tema br. 4: Dizajn i pokretanje distribuiranog sistema
- Obrnuti inženjering – kako sistem funkcioniše?
- Slažemo se oko SLI i SLO
- Vježbajte planiranje kapaciteta
- Pokrećući promet na aplikaciju, naši korisnici počinju da je „koriste“.
- Lansiranje Prometheus, Grafana, Elastic
Tema #5: Nadgledanje, uočljivost i upozorenje
- Monitoring vs. Uočljivost
- Postavljanje nadzora i uzbunjivanja sa Prometheusom
- Praktično praćenje SLI i SLO
- Simptomi vs. Uzroci
- Black-Box vs. Praćenje bijele kutije
- Distribuirano praćenje dostupnosti aplikacija i servera
- 4 zlatna signala (detekcija anomalija)
Tema br. 6: Praksa ispitivanja pouzdanosti sistema
- Rad pod pritiskom
- Greška-injekcija
- Chaos Monkey
Tema #7: Praksa odgovora na incidente
- Algoritam upravljanja stresom
- Interakcija između učesnika incidenta
- Postmortem
- Podjela znanja
- Oblikovanje kulture
- Praćenje kvarova
- Provođenje besprijekornog debrifinga
Tema #8: Prakse upravljanja opterećenjem
- Balansiranje opterećenja
- Tolerancija grešaka aplikacije: ponovni pokušaj, vremensko ograničenje, ubrizgavanje greške, prekidač
- DDoS (kreiranje opterećenja) + kaskadni kvarovi
Tema #9: Odgovor na incidente
- Debriefing
- Dežurna praksa
- Razne vrste nezgoda (testiranje, promjene konfiguracije, kvar hardvera)
- Protokoli za upravljanje incidentima
Tema #10: Dijagnoza i rješavanje problema
- Logging
- Otklanjanje grešaka
- Vježbajte analizu i otklanjanje grešaka u našoj aplikaciji
Tema #11: Testiranje pouzdanosti sistema
- Testiranje na stres
- Testiranje konfiguracije
- Testiranje performansi
- Kanarsko puštanje
Tema br. 12: Samostalni rad i pregled
Preporuke i zahtjevi za učesnike
SRE je timski rad. Toplo preporučujemo da pohađate kurs kao tim. Zato nudimo velike popuste za gotove timove.
Cijena kursa je 60 ₽ po osobi.
Ako kompanija šalje grupu od 5+ ljudi - 40 ₽.
Kurs je izgrađen na Kubernetesu. Da biste prošli, morate poznavati Kubernetes na osnovnom nivou. Ako ne radite s njim, možete proći kroz Slurm Basic ( ili ).
Osim toga, morate biti vješt u Linuxu i poznavati Gitlab i Prometheus.
Ako imate kompleksnu ideju za učešće, na primjer, da izvršni direktor, CTO i tim programera dođu na kurs i da oni prođu praksu uzimajući u obzir vertikalu menadžmenta, pišite mi u ličnu poruku.
izvor: www.habr.com