O que é SRE (site reliability engineering)?

O SRE apoia a resiliência, a redundância e a confiabilidade no ciclo DevOps, lidando com a implementação diária de programas de software.

Os engenheiros de confiabilidade de site geralmente seguem a regra 50/50: dedicam metade do tempo para resolver problemas de clientes, como gerenciar escalonamentos e responder a incidentes, e a outra metade para automatizar operações de TI. Essas operações incluem gerenciamento de sistemas em produção, gerenciamento de mudanças, resposta a incidentes e resposta a emergências.

As equipes de SRE reduzem a distância entre o funcionamento ideal dos programas, segundo os desenvolvedores, e o comportamento real dos sistemas em situações do dia a dia. Os engenheiros de confiabilidade atuam diretamente com os clientes para resolver problemas e coletar dados sobre a experiência do usuário. As equipes de SRE repassam esses dados para os times de desenvolvimento, oferecendo insights valiosos sobre o desempenho do software e as atualizações necessárias.

Os SREs entendem que as falhas são inevitáveis. Seu trabalho é identificar (por meio de processos como a análise da causa raiz) a causa dos problemas imediatos e usar dados de monitoramento e registro para prever possíveis falhas futuras. Em seguida, eles configuraram automações para resolver esses problemas, criando resiliência e redundância no sistema.

Essa supervisão automatizada de sistemas de software em grande escala reduz a necessidade de administradores de sistemas concluírem manualmente tarefas de operações de TI. Eliminar funções manuais ajuda as equipes de TI a economizarem tempo, executarem tarefas de forma mais precisa e focarem na manutenção do desempenho das aplicações.

Um engenheiro de confiabilidade de site é uma posição técnica que requer experiência em desenvolvimento de software e operações de TI. Compreender essas funções permite que as equipes de SRE cumpram seu papel no suporte ao ciclo de vida do desenvolvimento de software. O SRE é baseado em uma estratégia de resiliência por meio da automação consistente de processos.

Tradicionalmente, as práticas de engenharia de confiabilidade local se concentravam na execução de operações e tarefas de administração do sistema. Essas tarefas incluem análise de registros, ajuste de desempenho, aplicação de patches, teste de ambientes de produção, gerenciamento de incidentes e realização de postmortems. Inicialmente, essas tarefas eram feitas manualmente, o que consumia muito tempo e estava sujeito a erros humanos. A modernização da engenharia de confiabilidade local envolve a automação dessas tarefas manuais.

O monitoramento e o registro em log desempenham um papel fundamental no SRE. As equipes de SRE usam ferramentas de monitoramento para rastrear o que está acontecendo nos sistemas de software em tempo real. O monitoramento possibilita a correção de problemas técnicos imediatos e ajuda as equipes a antecipar problemas futuros e resolvê-los antes que ocorram.

Os logs servem como arquivos que podem ser analisados para obter insights sobre o funcionamento dos sistemas e melhorar a observabilidade dos sistemas. O registro cria um histórico que ajuda as equipes de SRE a entenderem a sequência de eventos que causou um erro inesperado. Os engenheiros podem automatizar a correção do erro e evitar que ele ocorra novamente. Monitoramento e registro ajudam os engenheiros a identificar pontos de falha e resolver problemas de forma programática por meio da automação, eliminando a necessidade de correções manuais.

As equipes de SRE também buscam deficiências nos sistemas por meio de um processo chamado engenharia do caos. Engenharia do caos é uma estratégia que engenheiros de confiabilidade de site implementam para causar falhas intencionais em ambientes de produção e pré-produção. O objetivo é entender o impacto das falhas em produção nos sistemas de software e desenvolver planos mais sólidos para mitigar falhas futuras.

O SRE também se concentra no planejamento de capacidade, um processo que determina os Recursos necessários para executar funções comerciais essenciais, escalar essas funções comerciais e desenvolver novos aplicativos e funcionalidade. Além disso, as equipes de SRE definem métricas que servem para avaliar a entrega de atualizações e a implementação de novas funcionalidades.

Os engenheiros de confiabilidade do site usam várias métricas para ajudar a rastrear a consistência da entrega de serviços e a confiabilidade dos sistemas de software, incluindo:

Os SLAs estabelecem os termos e condições entre um provedor de serviços e um cliente. Esses acordos definem o nível de desempenho, os indicadores acordados para medição de desempenho e as consequências em caso de falha na entrega dos serviços. Um serviço comum definido em um SLA é o tempo de atividade, ou seja, o tempo em que o serviço permanece disponível.

O orçamento de erro é uma ferramenta que as equipes de SRE utilizam para equilibrar automaticamente a confiabilidade do serviço com o ritmo de desenvolvimento e inovação da empresa. Os orçamentos de erro estabelecem um nível de risco de erro que está de acordo com os acordos de nível de serviço.

Uma meta de tempo de atividade de 99,999%, conhecida como "disponibilidade de cinco noves", é um limite comum de SLA. Isso significa que o orçamento mensal de erros - a quantidade total de downtime permitido sem consequências contratuais para um mês específico é de cerca de 4 minutos e 23 segundos. Se uma equipe de desenvolvimento quiser implementar novas funcionalidades ou melhorias em um sistema, o sistema não deve exceder o orçamento de erros.

Os orçamentos de erro ajudam as equipes de desenvolvimento e operações a melhorar a estabilidade e o desempenho dos serviços. Eles também orientam decisões baseadas em dados sobre a implementação de novas funcionalidades ou aplicações e impulsionam a inovação dentro de limites de risco aceitáveis.

As equipes de SRE também ajudam a definir objetivos de nível de serviço (SLOs), que são metas de desempenho acordadas para um serviço específico em um período determinado. Os SLOs definem o status esperado dos serviços, ajudam os stakeholders a gerenciarem a saúde dos serviços e a cumprirem os SLAs.

Os SLOs são medidos por indicadores de nível de serviço (SLIs). Os SLIs são medições quantitativas apresentadas em percentuais, médias ou taxas. Eles incluem a medição de serviços como tempo de atividade, latência, taxa de transferência e taxas de erro.

DevOps é uma metodologia de desenvolvimento de software que acelera a entrega de aplicações e serviços de alta qualidade ao unir e automatizar o trabalho das equipes de desenvolvimento e operações de TI. O DevOps automatiza o ciclo de vida do desenvolvimento de software (SDLC), promove responsabilidade compartilhada entre desenvolvimento e operações e envolve todos os stakeholders relevantes no processo.

O SRE e o DevOps são estratégias complementares de engenharia de software que eliminam silos e resultam em uma entrega de software mais eficiente e confiável.

Enquanto as equipes de DevOps se concentram em responder à pergunta “O que este software deve fazer?”, as equipes de SRE trabalham para responder “Como este software pode ser implementado e mantido para funcionar como esperado?”. As equipes de SRE fornecem às equipes de DevOps dados reais sobre o desempenho do software, equilibrando a prática com a teoria no desenvolvimento de software.

Assim como a SRE, o DevOps torna as empresas mais ágeis ao equilibrar a necessidade de acelerar entregas com a de preservar a estabilidade do ambiente de produção. Tanto o SRE quanto o DevOps visam alcançar esse equilíbrio estabelecendo um risco aceitável de erros. As equipes de DevOps focam em implementar atualizações e novas funcionalidades, enquanto a SRE atua para garantir a confiabilidade dos sistemas à medida que eles escalam.

As equipes de DevOps e SRE otimizam os métodos de comunicação e estabelecem um ciclo de feedback constante. Esse ciclo funciona assim: quando a equipe de SRE identifica a causa raiz de um erro, ela envia suas conclusões à equipe de DevOps, que desenvolve uma atualização para a próxima versão do software. Enquanto isso, as equipes de SRE criam automações para resolver o problema e acompanham os dados de monitoramento e registro para garantir que ele tenha sido resolvido.

Além de contribuir para o sucesso do DevOps, a engenharia de confiabilidade local pode ajudar as organizações a:

• Obtenha maior visibilidade da integridade do serviço rastreando métricas, registros e rastreamentos em todos os serviços organizacionais e fortaleça os recursos de análise de causa raiz.
  
  
• Obter mais visibilidade sobre a integridade dos serviços por meio do acompanhamento de métricas, logs e rastreamentos em todos os serviços da organização, além de fortalecer a capacidade de análise da causa raiz.
  
  
• Dimensionar sistemas de software automatizando processos manuais que eliminam tarefas, reduzem erros e resolvem problemas com mais precisão.
  
  
• Calcular o custo de downtime e falhas, ajudando as equipes de desenvolvimento e operações a entender o custo das violações de SLA e ajudando a gerência a quantificar o impacto da confiabilidade do sistema na produção, vendas, marketing, atendimento ao cliente e outras funções de negócios.
  
  
• Otimize a resposta a incidentes criando processos de plantão eficientes e simplificando fluxos de trabalho de alerta.
  
  
• Construa um moderno centro de operações de rede combinando um entendimento profundo de operações de TI com aprendizado de máquina e automação para enviar alertas diretamente à pessoa responsável por resolver o problema.

Quando as organizações migram de TI tradicional e data centers locais para a nuvem híbrida, geralmente geram volumes maiores de dados operacionais. O SRE desempenha um papel crítico ao usar esses dados para automatizar a administração de sistemas, operações e resposta a incidentes, além de melhorar a confiabilidade empresarial à medida que o ambiente de TI se torna mais complexo.

Uma abordagem de desenvolvimento nativa em nuvem — especificamente, construir aplicações como microsserviços e implementá-las em contêineres — pode simplificar o desenvolvimento, a implementação e a escalabilidade de aplicações. Mas o desenvolvimento nativo em nuvem também cria um ambiente cada vez mais distribuído, o que complica a administração, as operações de TI e o gerenciamento.

A equipe de SRE pode acompanhar o ritmo acelerado da inovação promovido por uma abordagem cloud-native e aumentar a confiabilidade do sistema, sem sobrecarregar o time de DevOps.