Зачем обновлять книгу?

Когда мы опубликовали первое издание, многие организации были сосредоточены на ранних этапах миграции в облако и только начинали переход от монолитных архитектур. Сегодня, когда компании выпускают программное обеспечение с высокой скоростью и в глобальном масштабе, задача состоит уже не в освоении облачной инфраструктуры, а в поддержании высокой надежности в условиях огромной сложности.

Современные производственные среды работают в условиях постоянных изменений. Границы систем стали сложнее, зависимости — глубже, а режимы сбоев — запутаннее и разрушительнее, чем когда-либо прежде. Бурный рост ресурсоемких рабочих нагрузок, таких как генеративный ИИ, изменил экономику и эксплуатационные требования к управлению инфраструктурой.

Написание этого второго издания потребовало от нас сделать шаг назад и оценить, что нужно для успешного внедрения SRE сегодня.

Десятилетие эволюции: как развивались практики SRE

Во втором издании подробно рассматривается, как фундаментальные практики Site Reliability Engineering повзрослели за последние десять лет, сместившись от ручной работы над конкретными задачами к автоматизированным возможностям платформенного уровня. Рассмотрим, например:

SLO и бюджеты ошибок: в 2016 году команды полагались на базовые метрики доступности и ручные политики бюджетов ошибок. Сегодня практики эволюционировали в ориентированные на пользователя многоуровневые SLO с динамическим оповещением о скорости исчерпания бюджета и автоматическим обеспечением соблюдения политик.

Мониторинг и наблюдаемость: ранние настройки были сосредоточены на статических дашбордах, базовых логах и ручной сортировке алертов. Современная наблюдаемость использует OpenTelemetry, распределенную трассировку и автоматическую корреляцию аномалий для быстрого поиска первопричин.

Автоматизация и платформы: операции сместились от написания пользовательских скриптов для изолированных задач к использованию декларативной инфраструктуры как кода (IaC), внутренних платформ для разработчиков и отказоустойчивых самовосстанавливающихся систем.

Тестирование надежности: вместо того чтобы полагаться исключительно на запланированные «дни игр» (game days) и синтетические нагрузочные тесты, современная инженерия внедряет непрерывные проверки устойчивости, автоматизированное тестирование конвейеров и проверку canary-релизов в реальной производственной среде.

Управление мощностями и ресурсами: ручное выделение ресурсов и статическое прогнозирование были заменены динамическим автомасштабированием, согласованием с облачными FinOps, а также специализированной оптимизацией затрат и кластеров для рабочих нагрузок на GPU и TPU.

Организационные модели: SRE вышло за рамки выделенных команд, закрепленных за конкретными приложениями. Сегодняшние организации используют гибридные модели, интеграцию платформенной инженерии и «чемпионов по надежности», внедренных в продуктовые команды.

SRE в эпоху ИИ

Существует двойная связь между SRE и искусственным интеллектом: как SRE поддерживает инфраструктуру ИИ и как команды SRE используют ИИ для повышения эксплуатационной надежности.

Запуск больших языковых моделей (LLM) и базовых моделей создает новые проблемы надежности. В книге изложены методологии эксплуатации инфраструктуры ИИ в масштабе:

Управление надежностью массивных аппаратных кластеров GPU и TPU и топологиями сетей
Мониторинг недетерминированных выходных данных и характеристик задержки, уникальных для ИИ
Обеспечение надежности конвейеров для непрерывного обучения моделей, дообучения (fine-tuning) и обработки данных

ИИ также быстро становится множителем силы для инженеров по надежности. Во втором издании представлены практические фреймворки для повышения эффективности человеческого труда:

Использование инструментов генеративного ИИ для помощи в сортировке инцидентов в реальном времени и создании постмортемов
Анализ сложной телеметрии системы с помощью запросов на естественном языке
Использование прогнозных моделей машинного обучения для выявления узких мест в ресурсах до возникновения сбоев

Что не изменилось? Важность культуры

Хотя технологии и архитектуры постоянно развиваются, основные принципы SRE остаются неизменными и являются ключом к созданию культуры, ориентированной на надежность. Соответственно, второе издание вновь подчеркивает и расширяет человеческие аспекты системной инженерии и способы их достижения.

Независимо от того, являетесь ли вы новичком в этой области, практикующим специалистом, техническим менеджером или руководителем в сфере технологий, переработанное второе издание Site Reliability Engineering послужит вашим окончательным дорожным руководством для следующей эры производственных систем.

Вы можете заказать свой экземпляр уже сегодня в физическом формате (см. Google Books) или в цифровом формате на O'Reilly.