SRE: data-driven подход к управлению надежностью систем

Курс нужен инженеру, который уже отвечает за живой сервис и устал разбирать каждый новый сбой с нуля. Три недели вы работаете SRE-командой на учебном сервисе кинотеатра: задаёте SLI, SLO и SLA, настраиваете мониторинг и алертинг. Дальше сервис ломают. Ошибками разработчиков, отказами инфраструктуры, наплывом посетителей, DoS-атаками — и на ухудшающихся показателях вы разбираете устойчивость, error budget и управление операционной нагрузкой. Учёба устроена как имитация работы: у каждого своя роль в команде, а объект — учебное приложение кинотеатра из нескольких микросервисов с выбором сеанса, бронированием и оплатой билетов.

Приложение написано на Python и работает с MySQL, развёрнуто микросервисами в кластерах Kubernetes школы — доступ к ним выдают, чтобы вы устраняли аварии. Язык выбран нарочно простым. Вникать нужно не в код, а в практики, и они переносятся на любой другой стек. Отдельная часть работы идёт под давлением и в жёстко ограниченное время: распределение ролей, оповещение заинтересованных, приоритеты при восстановлении. Разбирают то, что действительно стоит измерять: SLI и SLO, error budget, алертинг без метрик ради метрик. Отдельно идёт incident response: роли в аварии, восстановление сервиса и postmortem по итогам. В Казахстане инженерный спрос идёт из Алматы, Астаны, Караганды и Павлодара, работают в штате, а без опыта берут изредка. Умение вести инцидент отличает инженера эксплуатации от инженера поддержки.