SRE

Em um mundo dominado por microsserviços efêmeros e arquiteturas de nuvem elásticas, definir o que é “normal” tornou-se uma tarefa humanamente impossível. O método tradicional de monitoramento, baseado em limiares estáticos (ex: “Alertar se CPU > 80%”), está quebrado. Ele gera falsos positivos durante backups agendados e silêncio perigoso durante falhas sutis de aplicação. A […]

Apagar incêndios é uma habilidade necessária em TI, mas evitar que o incêndio comece é a verdadeira engenharia. Em muitas organizações, as equipes de operações celebram a redução do MTTR (Tempo Médio de Recuperação), mas ignoram a frequência com que os mesmos incidentes se repetem. A Análise de Causa Raiz de Incidentes (RCA – Root […]

Na cronologia de um desastre de TI, a ignorância é o período mais caro. O MTTD (Mean Time to Detect), ou Tempo Médio de Detecção, é a métrica que quantifica essa ignorância. Ele mede o intervalo de tempo entre o momento em que um problema técnico começa a ocorrer e o momento em que o […]

Em arquiteturas de missão crítica, a esperança não é uma estratégia válida. O Failover é o mecanismo de engenharia definitivo que separa uma interrupção catastrófica de um mero “soluço” operacional imperceptível para o usuário final. Quando um servidor primário, um link de rede ou um banco de dados colapsa, a capacidade de transferir a carga […]

A premissa fundamental da engenharia de sistemas distribuídos moderna é pessimista, mas realista: tudo vai falhar. Discos rígidos corrompem dados, redes sofrem latência, deploys introduzem bugs e provedores de nuvem têm interrupções. A Tolerância a Falhas não é sobre construir sistemas indestrutíveis, mas sobre projetar arquiteturas que continuem operando — mesmo que de forma degradada […]

No cenário atual de aplicações distribuídas e microsserviços, há uma regra de ouro para a engenharia de confiabilidade: o seu cliente nunca deve ser o seu sistema de monitoramento. Se você descobre que o checkout do seu e-commerce parou de funcionar através de um ticket de suporte aberto por um usuário frustrado ou, pior, por […]

No mundo da Engenharia de Confiabilidade do Site (SRE) e da administração de sistemas, a quantidade de dados disponíveis pode ser esmagadora. Com a explosão de microsserviços e a complexidade da nuvem, um engenheiro pode facilmente se afogar em milhares de métricas sem saber exatamente para onde olhar quando um incidente ocorre. É comum encontrar […]

Sabemos que na era digital o foco é sempre proporcionar uma boa experiência para os usuários de aplicações e sistemas. Ir cada vez mais a fundo nos status das aplicações, servidores e todas as variáveis envolvidas no seu funcionamento é o que garantirá que os indicadores vitais para uma boa experiência, estejam de acordo com […]

Sabemos que todos os sistemas e aplicativos estão sujeitos a falhas e incidentes pelos mais variados motivos. Quando isso ocorre, o problema é corrigido e tudo volta ao normal, mas é importante ter um processo formalizado de registro, onde se deixe documentado o aprendizado com o incidente. Uma das atividades da prática de SRE (Site […]

Ao acessar um aplicativo mobile, um sistema web ou site de compras online, como usuários queremos ter a melhor experiência possível, rápido acesso e fácil navegação. Mapear quais as ações são mais críticas para o usuário e, por consequência, devem ter um bom funcionamento com métricas próprias para acompanhamento, são atividades essenciais para a confiabilidade […]