¿Qué es la SRE (ingeniería de confiabilidad de sitios)?
¿Prefieres un resumen de este blog? ¡Da click en el botón de abajo y deja que ChatGPT te lo cuente! (también puedes probar con Perplexity)
Sé que alguna vez en tu vida has intentado comprar entradas para un concierto, ver tu serie favorita en streaming o hacer una transferencia bancaria. Afortunadamente, todo ha ido perfecto. Eficaz, sin caídas o errores.
Pues bien, detrás de esa experiencia perfecta —donde todo funciona como un reloj suizo— hay un grupo de personas que, en vez de ponerse una capa como los superhéroes que son, codifican y automatizan. Ellos son los ingenieros de Site Reliability Engineering o, como les decimos de cariño, SRE.
Contenido relacionado: Democratización tecnológica: esencial para las empresas del futuro
SRE en pocas palabras:
Recordemos por un momento a los gigantes de las plataformas digitales. Piensa en Google, Netflix y Amazon. Todos ellos tienen dos grandes equipos que a veces parecían perros y gatos:
Desarrollo (Dev): este equipo tiene la misión de crear cosas nuevas, lanzar funciones rápidamente y mejorar el producto constantemente.
Operaciones (Ops): su misión es mantener el sistema estable, evitar fallos y asegurarse de que la plataforma básicamente no se caiga.
De la vida aprendemos que si te enfocas en solo una cosa, es fácil descuidar las otras. Si solo te enfocas en la velocidad, puedes poner en riesgo la estabilidad. Y si solo te enfocas en la estabilidad, la competencia termina sobrepasándote.
Aquí es donde entra la SRE. Google, la empresa que bautizó el término, definió SRE como "lo que sucede cuando le pides a un ingeniero de software que se ocupe de lo que solía ser la operación".
Un SRE es, en palabras claras, un ingeniero de software con mentalidad de operaciones. Entre su arsenal está el poder del código, la automatización y los datos para resolver los problemas de operación. Para que los conozcas un poco más, no les gusta el trabajo manual, repetitivo y tedioso. Esto es lo que llamamos "trabajo de fatiga" o toil en inglés. Es por eso que lo automatizan.
Los 3 pilares de la confiabilidad
1. Indicadores y objetivos de nivel de servicio (SLI y SLO)
En lugar de decir "nuestro sitio es confiable", los SRE lo miden.
SLI (indicador de nivel de servicio) es una métrica concisa y directa de lo que el cliente realmente experimenta. Por ejemplo:
Latencia: ¿Qué tan rápido se carga la página?
Tasa de errores: ¿Cuántas solicitudes fallan?
Disponibilidad: ¿Está el servicio en línea o caído?
SLO (objetivo de nivel de servicio) es el objetivo que te pones para ese SLI. Es tu promesa de confiabilidad. Por ejemplo:
"La latencia de la página de pago debe ser menor a 300 milisegundos, el 99% de las veces".
"La disponibilidad del servicio debe ser del 99.99% (los famosos 'cuatro nueves')".
El SLO es la herramienta más importante. Define qué tan bien tiene que funcionar el sistema para que los usuarios estén contentos.
2. El presupuesto de errores (error budget)
Esta es la idea más radical, pero brillante de SRE. Si prometes 99.99% de disponibilidad (tu SLO), significa que puedes tener un 0.01% de fallos (o un poco más de 52 minutos de caída al año). Quizas estás pensando lo mismo que yo: ese 0.01% es tu presupuesto de errores.
Te explico, funciona como un permiso:
Si el presupuesto está lleno (o sea, no hay casi errores), el equipo de desarrollo tiene luz verde para lanzar nuevas funciones inmediatamente. Esto se debe a que el riesgo es bajo.
Si el presupuesto se está agotando, porque ha habido muchos fallos, el equipo de desarrollo debe pausar los lanzamientos y dedicarse a mejorar la estabilidad y arreglar los problemas que ya están persistiendo.
Este presupuesto obliga a Dev y Ops a tener una convivencia sana. Pone a la confiabilidad como una característica del producto, y no como una tarea aburrida.
3. La automatización como misión de vida
Nuestro amigo SRE odia recibir una alerta a las 3 de la mañana para hacer algo que podría haber hecho un script. Su objetivo es que cualquier tarea que tengan que hacer más de una vez se convierta en código. En otras palabras, automatizarla. Esto incluye:
Escalar recursos.
Desplegar nuevo software.
Responder a ciertos tipos de incidentes.
Al automatizar, no solo ahorran tiempo y sueño. También hacen que los procesos sean más rápidos y mucho menos propensos a errores humanos.
Contenido relacionado: Pódcast TI para ti: ¿Qué es la Customer Experience?
¡Lleva tu SRE al siguiente nivel con la Inteligencia Artificial!
Hemos hablado de automatización, pero ¿qué pasaría si la misma automatización pudiera aprender?
LaInteligencia Artificial (IA) está transformando el seguimiento y la gestión de incidentes en SRE. La IA puede analizar montañas de métricas y registros que un humano no podría procesar, identificar patrones sutiles que indican un problema inminente, y hasta sugerir la solución correcta al instante. Esto acelera la respuesta a incidentes de horas a minutos.
La SRE nos dice: no esperes a que el sistema falle para arreglarlo. Usa la ingeniería y la automatización para construir sistemas que se arreglen solos y que te avisen de un problema antes de que el cliente lo note. Se trata de pasar de la mentalidad de apagar incendios a la de prevenir que el fuego se encienda.
Ya no se trata solo de automatizar tareas, sino de automatizar la inteligencia operativa.
Y si quieres saber cómo la IA puede ayudarte a dejar atrás las alertas reactivas y construir una operación verdaderamente resiliente, descarga nuestro ebook gratuito:
Ebook: De reactivo a resiliente: eleve la fiabilidad de las ITOps con el seguimiento SRE impulsado por IA
Descubre el futuro de la confiabilidad donde la IA trabaja codo a codo con tus equipos SRE para mantener tus sistemas funcionando al 100%.
¡Haz clic y transforma tus operaciones hoy!