Ukur reliabilitas, lalu benar-benar tingkatkan.

Sama sekali tidak. Semakin kecil tim Anda, semakin banyak yang Anda peroleh dari SLO dan runbook, karena setiap page lebih memberatkan ketika hanya ada tiga engineer untuk menyerapnya. Kami menyesuaikan praktiknya dengan ukuran tim Anda.

Dilakukan dengan benar, justru sebaliknya. Error budget memberi engineering izin yang jelas untuk mengirim cepat selama reliabilitas sehat. Rem hanya ditekan ketika Anda menghabiskan budget lebih cepat daripada ia terisi kembali.

Kami bisa, melalui retainer managed SRE dengan SLA yang disepakati. Sebagian besar klien lebih memilih kami menyiapkan praktiknya, melatih tim mereka, lalu menyerahkan pager. Kedua pengaturan itu sama-sama bisa.

SLI adalah pengukurannya, seperti persentase request yang dilayani di bawah 300ms. SLO adalah target yang Anda kenakan pada pengukuran itu, seperti 99,9% request. SLA adalah janji kontraktual kepada pelanggan, biasanya ditetapkan lebih longgar daripada SLO internal Anda agar Anda punya ruang.

Kami mulai dari user journey nyata dan data historis alih-alih angka bulat aspiratif. Targetnya harus mencerminkan apa yang sungguh-sungguh dibutuhkan bisnis Anda dan apa yang bisa diberikan arsitektur Anda secara berkelanjutan, karena setiap nine tambahan menelan usaha engineering nyata.

Error budget adalah jumlah ketidakandalan yang diizinkan SLO Anda, misalnya 0,1% downtime yang disisakan target 99,9%. Selama budget masih ada, engineering mengirim cepat. Ketika budget menipis, kebijakan yang disepakati mengalihkan fokus ke pekerjaan reliabilitas sampai budget pulih.

Kami memberi alert pada gejala yang dirasakan pengguna Anda, seperti checkout yang gagal, alih-alih setiap lonjakan CPU, dan kami mengaitkan threshold dengan SLO Anda. Alert yang berisik dan duplikat dipangkas, sehingga engineer on-call kembali memercayai pager dan berhenti mengabaikan channel yang penuh kebisingan.

Kami merancang rotasi yang cukup lebar sehingga tak ada dua orang memikul seluruh beban, dengan aturan page-routing dan eskalasi yang jelas. Page di luar jam kerja disediakan untuk hal yang benar-benar tak bisa menunggu, dan runbook berarti orang on-call mengikuti checklist teruji alih-alih melakukan debugging dari nol.

Level severity yang jelas, incident commander yang ditunjuk, scribe, dan peran komunikasi, plus template komunikasi dan workflow status page. Ketika pager berbunyi semua orang tahu tugasnya, sehingga waktunya tercurah untuk memperbaiki masalah alih-alih mencari tahu siapa mengerjakan apa.

Postmortem blameless mengubah setiap insiden menjadi perbaikan yang dilacak, dan kami meninjau pola lintas insiden untuk menemukan root cause yang berulang. Menutup action item itu, bukan sekadar mengarsipkan laporan, adalah yang menghentikan outage yang sama dari kembali dan menaikkan uptime secara stabil.