Большой курс про SRE-мышление: как строить надежные сервисы, договариваться об SLO, управлять error budget, вести инциденты, снижать toil, планировать capacity и улучшать систему после сбоев.
Создай аккаунт, чтобы отслеживать прогресс
Разбираем роль SRE: reliability, ownership, automation и баланс скорости релизов с устойчивостью.
Понимаем разницу между измерением, внутренней целью и внешним договором.
Используем error budget как правило принятия решений, а не как красивую метрику.
Как быстро оценить масштаб сбоя, назначить роли и вести инцидент без хаоса.
Пишем инструкции, которые помогают в 03:00, а не превращаются в музей старых команд.
Дежурство без героизма: расписание, усталость, передача контекста и границы ответственности.
Как описывать инцидент честно, без обвинений и с полезной хронологией.
Выбираем действия после инцидента так, чтобы они снижали риск, а не просто закрывали meeting notes.
Отличаем полезную операционную работу от повторяемой ручной нагрузки, которую надо автоматизировать.
Как оценивать рост трафика, запас мощности, лимиты и точки насыщения.
Проводим нагрузочные тесты, которые отвечают на рабочие вопросы, а не дают красивую цифру RPS.
Что делать, когда система не успевает: очереди, лимиты, деградация и честные отказы.
Как сервис может работать хуже, но не полностью падать, когда зависимость недоступна.
Готовим восстановление после серьёзных отказов: бэкапы, регионы, данные и регулярные учения.
Проверяем гипотезы устойчивости маленькими контролируемыми экспериментами.