Sistēmas uzticamības inženierija (SRE) ir strukturēta disciplīna, ko pirmo reizi izveidoja Google un kas izmanto programmatūras inženierijas principus ražošanas sistēmu pārvaldībai, savukārt ad hoc uzturēšana ir reaģējoša, neplānota pieeja problēmu novēršanai, tiklīdz tās rodas. Izvēle starp tām nosaka, kā komandas tiek galā ar darbības laiku, incidentiem un ilgtermiņa darbības veselību.
Proaktīva inženierijas disciplīna, kas piemēro programmatūras praksi darbībās, tiecoties pēc izmērāmas uzticamības, izmantojot automatizāciju un definētus pakalpojumu līmeņa mērķus.
Neplānota, reaģējoša apkopes stratēģija, kurā labojumi tiek veikti tikai tad, kad sistēmas sabojājas vai problēmas kļūst redzamas, bez iepriekš noteiktām procedūrām vai grafikiem.
| Funkcija | Sistēmas uzticamības inženierija | Ad hoc apkope |
|---|---|---|
| Pieejas veids | Proaktīvs un strukturēts | Reaktīvs un neplānots |
| Uzticamības mērīšana | SLO, SLI un kļūdu budžeti | Nav oficiālu metriku, kas tiktu izsekotas |
| Incidentu reaģēšana | Dokumentētas izpildes grāmatas un dežūru rotācijas | Lai ko nolemtu pieejamais inženieris |
| Automatizācijas līmenis | Augsta automatizācija ir pamatprincips | Zems — dominē manuāli labojumi |
| Dokumentācija | Visaptverošas pēcnāves analīzes un rokasgrāmatas | Minimāls vai nekonsekvents |
| Vispiemērotākais | Liela mēroga, misijai kritiski svarīgas sistēmas | Mazi projekti vai agrīnās stadijas produkti |
| Izmaksas laika gaitā | Lielākas sākotnējās investīcijas, zemākas ilgtermiņa izmaksas | Zemākas sākotnējās, pieaugošās izmaksas, kas rodas elektroapgādes pārtraukumu dēļ |
| Komandas struktūra | Īpaša SRE vai platformas komanda | Dalīta atbildība bez īpašumtiesībām |
SRE pamatā ir uzskats, ka uzticamība ir funkcija, nevis pēcpārdomāta lieta. Tā uzskata darbības par programmatūras problēmu un piemēro inženiertehnisku stingrību visam, sākot no izvietošanas cauruļvadiem līdz incidentu reaģēšanai. Turpretī ad hoc apkope uzskata darbības par ugunsgrēka dzēšanas vingrinājumu, kura mērķis ir vienkārši pēc iespējas ātrāk atjaunot pakalpojumu sniegšanu. Filozofiskā plaisa starp šīm divām pieejām ir milzīga — viena veido sistēmas, kas nevainojami sabojājas, bet otra steidzas, kad rodas kļūmes.
Viens no SRE nozīmīgākajiem ieguldījumiem ir tā uzstājība uzticamības kvantitatīvu noteikšanu. Komandas definē, kas izskatās “pietiekami labs”, izmantojot SLO, un izseko sniegumu, izmantojot SLI, un kļūdu budžeti nodrošina kopīgu valodu starp izstrādi un darbību. Ad hoc apkopei nav līdzvērtīga ietvara, kas nozīmē, ka nav objektīva veida, kā zināt, vai lietas uzlabojas vai pasliktinās. Bez mērījumiem komandas bieži darbojas pēc intuīcijas, kas mēdz nenovērtēt risku, līdz brīdim, kad notiek nopietns incidents, kas liek pievērst uzmanību.
SRE uzskata atkārtotu manuālu darbu — ko sauc par “smagu darbu” — par nodokli, kas jāsamazina, automatizējot. Google oriģinālajā SRE grāmatā ieteikts ierobežot inženiera slodzi zem 50% no darba laika, lai pārējo varētu veltīt jēgpilniem inženiertehniskiem uzlabojumiem. Ad hoc apkopes vides bieži vien slīkst slodzē, jo katrs labojums ir manuāls un vienreizējs. Laika gaitā tas rada apburto loku, kurā inženieri tik daudz laika pavada, dzēšot ugunsgrēkus, ka nekad neizveido automatizāciju, kas tos novērstu.
Kad SRE vidē kaut kas sabojājas, reaģēšana notiek saskaņā ar noteiktu procesu: brīdinājumi aktivizē dežūru rotācijas, izpildes grāmatas vada reaģētājus, un nevainojamas pēcoperācijas apkopojumi apkopo gūtās atziņas. Šī sistemātiskā pieeja nozīmē, ka katrs incidents padara sistēmu spēcīgāku. Ad hoc apkopē incidenti tiek risināti haotiski, bieži vien to dara tas, kurš ir pieejams, un vieni un tie paši pamatcēloņi mēdz radīt atkārtotus darbības pārtraukumus. Organizācija nekad neuzkrāj institucionālās zināšanas, jo nav konsekventa mehānisma to apkopšanai.
SRE prasa ievērojamas sākotnējās investīcijas rīkos, apmācībā un procesu izstrādē, taču tas atmaksājas, sistēmām mērogojot savu darbību. Uzņēmumi, kas nodrošina uzticamus pakalpojumus Google vai Netflix mērogā, nevarētu izdzīvot, izmantojot ad hoc praksi — sarežģītība pārslogotu jebkuru reaģējošu komandu. Tomēr nelielam jaunuzņēmumam ar nedaudziem lietotājiem ad hoc apkope varētu būt pilnīgi racionāla. Galvenais ir atpazīt, kad esat to pāraudzis, kas parasti notiek ap laiku, kad klientu uzticība sāk mazināties atkārtotu elektroenerģijas padeves pārtraukumu dēļ.
SRE ir tikai iedomāts nosaukums operācijām.
SRE principiāli atšķiras no tradicionālajām operācijām, jo programmatūras inženierija tiek piemērota operacionālām problēmām un uzticamība tiek uzskatīta par produkta funkciju. Tradicionālās darbības bieži vien koncentrējas uz sistēmu manuālu darbību, savukārt SRE inženieri veido automatizāciju, kas jau sākotnēji novērš manuālas iejaukšanās nepieciešamību.
Ad hoc uzturēšana ir lētāka, jo nav procesu pieskaitāmo izmaksu.
Lai gan ad hoc uzturēšana ļauj izvairīties no sākotnējām procesu izmaksām, tā laika gaitā parasti kļūst daudz dārgāka atkārtotu pārtraukumu, ilgstošu atkļūdošanas sesiju un tehniskā parāda salikto izmaksu dēļ. Pētījumi par neplānotu dīkstāvi regulāri liecina, ka vidēja lieluma uzņēmumiem izmaksas sasniedz simtiem tūkstošu dolāru stundā.
Lai gūtu labumu no SRE, jūsu uzņēmumam jābūt Google izmēram.
SRE principi — SLO, kļūdu budžeti, automatizācija, nevainojama pēcoperācijas analīze — efektīvi tiek mērogoti. Daudzas mazas un vidēja lieluma komandas ievieš šo prakšu vieglākas versijas un ievērojami uzlabo uzticamību, neizmantojot īpaši izveidotu SRE organizāciju.
SRE novērš visus elektroenerģijas padeves pārtraukumus.
SRE nesola pilnīgu kļūmi — tā pieņem, ka kļūmes ir neizbēgamas, un koncentrējas uz to pārvaldību pieņemamās robežās, ko nosaka kļūdu budžeti. Mērķis ir ātra atklāšana, ātra atkopšana un mācīšanās no katra incidenta, nevis pilnība.
Ad hoc apkope darbojas labi, ja jums ir labi inženieri.
Pat izcili inženieri nevar kompensēt trūkstošos procesus, dokumentāciju un automatizāciju. Varonīgas individuālas pūles nav ilgtspējīga uzticamības stratēģija, un tās rada izdegšanu, vienlaikus atstājot organizāciju atkarīgu no konkrētiem cilvēkiem, nevis no spēcīgām sistēmām.
Sistēmu uzticamības inženierija ir pareizā izvēle jebkurai organizācijai, kas darbojas ar ražošanas sistēmām, kurās dīkstāvei ir reālas sekas uzņēmējdarbībai, īpaši pieaugot sarežģītībai. Ad hoc apkope var darboties ļoti agrīnas stadijas projektos vai nekritiskiem iekšējiem rīkiem, taču tā ātri kļūst par apgrūtinājumu. Lielākā daļa nobriedušu inženierijas organizāciju galu galā pāriet no ad hoc prakses uz SRE iedvesmotiem ietvariem, pat ja tās pilnībā nepieņem Google modeli.
Adaptīvā infrastruktūra dinamiski pielāgojas mainīgajām darba slodzēm, izmantojot automatizāciju un mērogošanu reāllaikā, savukārt statiskās infrastruktūras dizains balstās uz fiksētiem, iepriekš konfigurētiem resursiem. Izvēle starp tiem ir atkarīga no darba slodzes mainīguma, budžeta paredzamības un darbības brieduma jūsu mākoņvidē.
Augstas caurlaidspējas apkalpošanas sistēmas apstrādā milzīgu pieprasījumu apjomu ar milisekundes līmeņa latentumu, nodrošinot ieteikumu dzinēju un reklāmu platformu darbību. API ar mazu datplūsmu apkalpo mazākas lietotāju bāzes, kur vienkāršība, izmaksu efektivitāte un uzturēšanas vieglums ir svarīgāki par neapstrādātu mērogu.
Augstas caurlaidspējas ieteikumu apkalpošana koncentrējas uz miljonu vienumu ranžēšanu katrā pieprasījumā plašā mērogā, savukārt zemas latentuma API sistēmas piešķir prioritāti ātram, paredzamam atbildes laikam vispārējas nozīmes vaicājumiem. Abas pieprasa veiktspēju zem 100 ms, bet risina fundamentāli atšķirīgas inženiertehniskās problēmas mūsdienu mākoņinfrastruktūrā.
Šis salīdzinājums izvērtē Amazon Web Services un Google Cloud, analizējot to pakalpojumu piedāvājumus, cenu modeļus, globālo infrastruktūru, veiktspēju, izstrādātāju pieredzi un optimālos lietošanas gadījumus, palīdzot organizācijām izvēlēties mākoņplatformu, kas vislabāk atbilst to tehniskajām un biznesa prasībām.
Baitu nobīdes kontrolpunkti un bezstāvokļa atkopšana ir principiāli atšķirīgas pieejas kļūdu tolerancei izkliedētās sistēmās, kur pirmā saglabā precīzas straumes pozīcijas precīzai atsākšanas iespējai, bet otrā atjauno stāvokli no nulles, izmantojot nemainīgus datu avotus, aizstājot krātuves pieskaitāmās izmaksas rekonstrukcijas vienkāršības labad.
