SRE

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 […]

Em um ambiente corporativo digital, a pergunta não é “se” um sistema vai falhar, mas “quando”. A Gestão de Incidentes de TI é a disciplina crítica que separa as empresas que entram em colapso operacional daquelas que recuperam a estabilidade com impacto mínimo para o usuário final. Enquanto equipes imaturas tratam cada falha como um […]

Entre o disparo de um alerta crítico e a reação humana existe um intervalo silencioso que determina, em grande parte, o impacto final de um incidente. Equipes de TI medem exaustivamente o tempo de detecção e o tempo de resolução — mas frequentemente negligenciam o elo entre os dois: o tempo que passa entre o […]

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 […]

Monitorar tudo é monitorar nada. A proliferação de métricas em sistemas distribuídos criou um paradoxo: quanto mais dados, mais difícil identificar o que realmente importa quando algo falha. O Google resolveu esse problema com uma estrutura elegante e universalmente adotada. Os 4 sinais de ouro do SRE — Latência, Tráfego, Erros e Saturação — são […]

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 […]

Olhando para o gerenciamento automatizado de incidentes (Automated Incident Management)? Explicamos neste artigo tudo o que você precisa saber sobre o que é o gerenciamento automatizado de incidentes, por que é importante e como fazê-lo.   O que é o Gerenciamento Automatizado de Incidentes? O gerenciamento automatizado de incidentes é o processo de automatizar a […]

Toda decisão de implantar software em produção carrega um risco de falha. O problema não é eliminar esse risco — isso é impossível — mas decidir quanto risco é aceitável antes que o serviço viole os compromissos de confiabilidade com os usuários. É exatamente para isso que existe o error budget. Error budget é o […]

Definir um SLI errado é pior do que não ter nenhum. Um time que monitora o percentual de uptime do servidor acredita estar medindo confiabilidade — mas se os usuários enfrentam timeouts de 30 segundos nas respostas da API, o dashboard permanece verde enquanto a experiência degrada. O Service Level Indicator (SLI) é a métrica […]