La ingeniería de fiabilidad de sitios aplica la ingeniería de software a la operación de sistemas a gran escala. En lugar de prometer «nunca caído», fija cuánta fiabilidad necesita un servicio, la mide y gasta la diferencia con la perfección en publicar cambios. La fiabilidad pasa a ser un número con el que se puede planificar.
Conceptos clave
- Indicadores de nivel de servicio: mediciones de lo que sienten los usuarios, como la proporción de peticiones que tienen éxito o terminan rápido.
- Objetivos de nivel de servicio: la meta de un indicador en una ventana de tiempo, por ejemplo que el 99,9 % de las peticiones tengan éxito en un mes.
- Presupuesto de errores: la falta de fiabilidad permitida; mientras dura se publica, y cuando se agota se frena y se arregla.
- Toil: trabajo manual repetitivo que crece con el servicio; los ingenieros lo automatizan.
- Respuesta a incidentes: roles, comunicación y procedimientos serenos para cuando algo se rompe.
Vocabulario
- SLA: acuerdo de nivel de servicio, la promesa hecha a un cliente, a menudo con consecuencias.
- MTTR: tiempo medio de recuperación, lo que tarda en promedio restablecer el servicio.
- Postmortem: relato escrito y sin culpables de un incidente, con acciones para que no se repita.
- Planificación de capacidad: prever la carga para que los recursos existan antes de necesitarlos.
Qué estudiar, en orden
- Linux, redes y un lenguaje de scripts, lo bastante bien para depurar una máquina en vivo.
- Elige un servicio pequeño y define para él dos indicadores y un objetivo.
- Mídelos, calcula el presupuesto de errores y grafica a qué ritmo se consume.
- Crea alertas sobre el consumo del presupuesto y no sobre cada pico aislado.
- Haz un simulacro: provoca un fallo, sigue un runbook escrito y cronometra la recuperación.
- Escribe el postmortem, con causas, cronología y acciones de seguimiento.