Доклады
Доклады и выпуски подкастов с открытой записью. Это отбор, а не полный список: у каждого сказано, зачем его смотреть.
Под такие условия ничего не подошло.
Digital Immune System: мониторинга, SRE и автотестов уже недостаточно
Чем Digital Immune System отличается от набора практик, почему одного SRE для него мало и с чего начинать. Отдельно про auto-healing и про то, можно ли доверить ИИ инфраструктуру.
Error Budget: зачем продукту бюджет ошибок?
Error budget как язык разговора с бизнесом: сколько стоит каждая девятка, чем ошибка отличается от инцидента и когда бюджет бесполезен. Смотри, если SLO у тебя пока украшение дашборда.
Как не нужно рисовать дашборды
Девять правил и пять антипаттернов: дашборд как карта от «сломалось» до «починили», которую строят от пользователя и его задач. Для всех, кто рисует Grafana по наитию.
Chaos Engineering: Роняем прод, чтобы стать сильнее
С чего начинать хаос-эксперименты и кто должен их запускать, при чём тут blameless-культура и error budget, нужен ли хаос маленькой компании. Для тех, кто хочет ломать прод осознанно.
The Case of the Misnamed Cities: CAST Analysis of a Google Maps Incident
Один и тот же инцидент Google Maps разобран дважды: обычным постмортемом и методом CAST. Смотри, если твои постмортемы упираются в ближайшую причину и чинят только её.
Executing Chaos Engineering in Production at a Critical Financial Institution
Как запускать хаос-эксперименты в проде банка, где «просто уронить» никто не даст: guardrails, автоматизация, GameDays. С цифрами авторов: MTTD упал на 73%, нашли 10 скрытых уязвимостей.
The Critical Resource Is You: Practical Destressing for On-Call Engineers
Двадцать минут о том, что on-call делает с телом: хронический стресс дежурств и острый во время инцидента. Полезно, если ведёшь дежурную смену и хочешь замечать перегрузку до выгорания.
Внутренняя кухня SRE и информационной безопасности
Где SRE и безопасники мешают друг другу, а где работают вместе: сканеры в CI/CD, патчи против стабильности, ничейные зоны ответственности. Смотри, если ИБ для тебя пока только источник блокеров.
SRE больше не нужны. AI переписал правила
ИИ в эксплуатации на примерах из банковского продакшена: что он уже ускоряет в инцидентах, кто отвечает за ошибки агентов и что будет с джунами. Без хайпа и без паники.
Почему Kubernetes не бесплатный? Что лучше: опенсорс, облако, вендор
Сколько на самом деле стоит «бесплатный» Kubernetes: команда, обновления, ошибки. Поможет выбрать между опенсорсом, вендорской платформой и облаком под размер своей компании.
Почему ваш мониторинг врет? SRE об алертах и наблюдаемости
Мониторинг глазами пользователя, а не сервера: с каких метрик начинать, почему «всё зелёное» ничего не значит и что делать с шумом алертов, пока дежурные не выгорели.
SLO, инциденты и прод: где заканчивается DevOps и начинается SRE
Пилот: где кончается DevOps и начинается SRE, кто запускает переход и почему внедрение часто превращается в карго-культ. Хорошая точка входа, если в компании SRE пока только слово.
AI SRE: AI Agent как напарник инженера
Мультиагентная система Cloud.ru как второй пилот SRE: настраивает сбор метрик и логов, заводит алерты, подсказывает следующий шаг при инциденте. Смотри, если думаешь, куда пустить ИИ.
Avito Static Fallback: без паники, в продакшене работает статика
Как Авито остаётся доступным, когда прод лежит: кэш статики без инфраструктурных зависимостей, на который переключают трафик при инциденте. Для тех, кто проектирует деградацию.
Отказоустойчивость кроме облака
Как строить отказоустойчивость, не полагаясь на облако, и почему переносимая автоматизация инфраструктуры выгоднее огромных кластеров. Для тех, кто живёт у одного провайдера.
Всё стабильно нестабильно — как мы с этим боролись
Что за год сократило время разбора сбоев в Магнит OMNI: RED-метрики с лейблами хостов, CPU steal, Goldpinger, метрики в спаны через OTel Collector. Конкретика для SRE на Kubernetes.
Что продуктовой команде нужно сделать ДО полного блэкаута системы
Блэкаут CDEK глазами техлида продуктовой команды: как поднимать систему с полного нуля, какие скрипты готовить заранее и где все столкнутся при запуске. Для тимлидов и архитекторов.
Дизастер нерекавери, или Как на очередных учениях по отказоустойчивости у нас сломались PostgreSQL-кластеры
Разбор учений с отключением дата-центра, после которых в Patroni-кластерах в строй вернулись мастера на старых таймлайнах. Для тех, кто доверяет автофейловеру PostgreSQL.
Автоматизация инцидент-менеджмента для 10000 инженеров в Т-Банке
Как Т-Банк построил свою платформу инцидент-менеджмента на 10 000 инженеров: эскалации, постанализ, снижение MTTR. Смотри, если инцидент-процесс у тебя пока живёт в чате и таблице.
Как внедрять SRE-практики: советы самому себе 6 лет назад
Не про сами SRE-практики, а про то, как внедрять изменения в большой компании, когда от тебя ждут серебряную пулю. Для руководителя, который пришёл строить надёжность с нуля.
Боремся с метастабильными состояниями отказа
У рейт-лимитеров, троттлинга и деградаций есть слабые места, и доклад предлагает ещё одну защиту без ручной настройки. Для тех, кто уже ловил перегрузку, из которой сервис сам не выходит.
SLO: как не надо
Честный забег по граблям: как в Dodo натягивали SLO из книжки на свою реальность и где ошиблись. Смотри до того, как внедрять SLO у себя, чтобы не собрать те же грабли.
Сломать, чтобы починить: парадокс хаос-инжиниринга в действии
Опыт Mindbox с Chaos Mesh: эксперименты лежат рядом с кодом сервисов и идут на проде в середине нагрузки. Смотри, если выбираешь между Chaos Mesh и Litmus и боишься трогать прод.
Твой observability мёртв, мой тоже
Проход по observability в Магните: именование метрик, уровни алертов и эскалации, формат логов, трейсинг, воркбуки на инцидент. Удобный чек-лист, чтобы сверить свой стек.
Opentelemetry и эволюция распределенного пайплайна трейсинга в Авито
Пайплайн трейсинга на OpenTelemetry под 15 млн спанов в секунду: где упирается производительность и что ломается при tail sampling. Для тех, кто масштабирует трейсинг.
Как и чему учить в SRE
Программа курса по SRE в ШАД Яндекса: темы, методика и практические задания. Пригодится, если собираешь внутреннее обучение или план развития для инженеров эксплуатации.
Инженерия устойчивости как основной инструмент выживания вашей организации
Чем инженерия устойчивости отличается от надёжности и стабильности и как её внедряли в СберМаркете: цели, этапы, успехи и провалы. Для тех, кому мало считать девятки.
Сломай меня полностью: Chaos Engineering
Хаос на 800 микросервисах Такси: сервисы делят на критичные и некритичные и проверяют это своим инструментом на HTTP-уровне. Смотри, если думаешь, с чего начать chaos engineering.
Сложность метастабильных состояний отказа на примере Такси
Как система сама загоняет себя в отказ и не выходит из него: ретрай-шторм, холодный кэш, бимодальная стоимость запроса. Для тех, у кого после сбоя нагрузка не падает, а растёт.