SRE-инженер: чем занимается и кому подойдёт эта роль

Ряды серверных стоек в дата-центре
Стоковая иллюстрация. Фото Brett Sayles / Pexels
Содержание статьи

SRE-инженер работает над надёжностью цифровых сервисов. Он помогает команде понять, какие сбои замечает пользователь, как измерять качество и когда стоит вкладывать время в устранение повторяющихся проблем. В обычный день это анализ показателей, улучшение наблюдаемости, работа с релизами и автоматизация операционных задач. При инциденте роль может включать координацию, поиск причины и восстановление работы. Распределение обязанностей зависит от команды, размера продукта и того, кто отвечает за дежурства.

Как выглядит надёжность в измеримых показателях

Для сайта записи на приём важны разные этапы. Человек должен открыть страницу, увидеть доступное время и получить подтверждение. Можно измерять долю успешных записей среди корректных попыток. Операции одного типа сравнивают за одинаковый период. Если одно событие записывается при нажатии кнопки, а другое после отправки уведомления, это следует оговорить. Разные определения дают разные числа и приводят к разным решениям.

Инженер обсуждает с командой, какой уровень качества нужен и какой объём отклонений допустим. Этот подход помогает выбирать между дальнейшей работой над надёжностью и развитием продукта. Например, команда может отложить рискованное обновление, когда накопилось много ошибок и пользователи уже несколько раз сталкивались с потерей записей. Если показатели устойчивы, можно продолжить выпуск запланированных функций и наблюдать за результатом. Подход к таким компромиссам изложен в открытом руководстве Google. Google SRE Book — Embracing Risk

Что меняется во время инцидента

Представьте, что сайт открывается, но часть записей не получает подтверждение. В этом случае проверка главной страницы покажет, что сервис доступен, и мало скажет о главном пользовательском действии. Инженер уточняет, с какого времени появились ошибки, какие записи затронуты и совпадает ли начало проблемы с изменениями в системе. Для команды полезно вести единый журнал событий и отмечать степень уверенности в гипотезах. Обновления для коллег должны ясно описывать наблюдения, текущее влияние и следующий шаг.

После восстановления работы команда выясняет, как заметила проблему, что задержало решение и какое изменение уменьшит вероятность повторения. Иногда стоит изменить оповещение. В другом случае нужна проверка после релиза или удобный способ временно приостанавливать изменения. Для каждого действия полезно определить ответственного и критерий готовности. Ретроспектива приносит больше пользы, когда объясняет последовательность решений и условия, в которых их принимали.

Что приходится автоматизировать

Повторяющиеся действия отнимают время и создают риск человеческих ошибок. Если специалист каждое утро проверяет несколько десятков показателей вручную, часть проверки разумно передать автоматическому инструменту. При этом команде придётся договориться, как реагировать на исключения и кто отвечает за исправность самого инструмента. Автоматизация должна давать понятный результат, содержать журнал выполненных действий и соответствовать правилам доступа.

Для учебного примера возьмите небольшой сервис с несколькими видами запросов. Запишите искусственные показатели времени ответа и доли ошибок. Разделите случаи на такие, которые должен увидеть ближайший ответственный, и такие, которые можно разобрать на следующий день. Если один шумный показатель вызывает десятки уведомлений, предложите объединить повторяющиеся сообщения. Подумайте, по каким условиям вы проверите, что после изменения действительно легче заметить важный сбой.

Почему SRE оценивает доступность глазами пользователя

В руководстве Google SRE по целям уровня сервиса показатель выбирают по тому, насколько хорошо он отражает опыт пользователя. Объём работы инженера зависит от того, какие операции важны и как команда договаривается их измерять. Google SRE Workbook о целях уровня сервиса.

Представьте, что сервер отвечает на запрос, но заказ не появляется в списке. Для оценки работы сервиса команде нужен показатель успешного завершения операции. Спросите на собеседовании, кто задаёт это условие и как по нему принимают решения при сбоях.

Кому подойдёт работа

Роль подходит человеку, которого интересуют параметры работы системы и причины повторяющихся сбоев. Важны умение программировать, понимание сетей и систем, навыки анализа данных и способность объяснять технические решения коллегам. Во время инцидента пригодится привычка отталкиваться от наблюдений и вовремя передавать контекст. В спокойное время нужна готовность доводить до конца работу, которая может быть малозаметна для пользователя.

На собеседовании попросите команду описать недавний обезличенный инцидент. Спросите, как его обнаружили, кто принимал решения и какие улучшения сделали после. Затем выясните, сколько времени роль позволяет тратить на инженерное развитие и сколько уходит на текущие поручения. Сравните эти ответы с тем режимом, в котором вам комфортно работать. Название вакансии может совпадать, а обязанности и частота дежурств — различаться.

Отдельно спросите, как в компании измеряют улучшения. Например, раньше сбой подтверждался только после нескольких звонков, а теперь показатель на панели показывает рост ошибок. Для сравнения нужны время появления первых ошибок, время обнаружения и описание ситуации. Если меняется способ регистрации событий, сравнение старого и нового периода может потребовать уточнений. Хороший ответ на собеседовании показывает, какие данные использовали и какие ограничения у вывода. Попросите рассказать и о спокойной неделе. Она даёт представление о том, сколько времени занимают проектирование изменений, встречи и поддержка инструментов. Это полезно сопоставить с собственными ожиданиями.