Titolo del modulo: dgt_sre08 – Gestione degli incidenti
Panoramica:
Questo modulo, “dgt_sre08 – Gestione degli incidenti”, è pensato per i Site Reliability Engineer (SRE) e per i professionisti che vogliono apprendere gli aspetti principali della gestione degli incidenti in un contesto SRE. Il programma mette al centro le best practice, la pianificazione strategica e l’analisi post-incidente, per aumentare l’affidabilità dei sistemi e ridurre al minimo i tempi di inattività.
Le sessioni pratiche seguono l’approccio in linguaggio naturale dell’Academy. Durante un incidente simulato non digiterete comandi di diagnostica: direte alla macchina cosa indagare (“controlla i tassi di errore e i deploy recenti del servizio di checkout negli ultimi 30 minuti”), leggerete le evidenze che riporta, deciderete la mitigazione e verificherete che sia stata applicata come previsto. È la conoscenza del ciclo di vita degli incidenti e di come i sistemi si guastano a permettervi di distinguere un’ipotesi solida da una sicura di sé ma sbagliata.
Argomenti principali:
- Introduzione alla gestione degli incidenti:
- Comprendere il ruolo dell’SRE nella gestione degli incidenti.
- Distinguere tra incidenti, interruzioni di servizio ed emergenze.
-
Panoramica dei framework di risposta agli incidenti.
-
Ciclo di vita dell’incidente:
- Le fasi di un incidente, dal rilevamento alla risoluzione.
- Ruoli e responsabilità all’interno di un team SRE durante un incidente, inclusa la persona che guida e supervisiona l’agente AI.
-
Strategie di comunicazione verso i team interni e gli stakeholder.
-
Documentazione e riferimenti in SRE:
- L’importanza della documentazione e del riferimento agli incidenti passati.
- Scrivere runbook e playbook completi in un linguaggio naturale chiaro, che possano seguire sia le persone sia le macchine.
-
Usare knowledge base e archivi degli incidenti.
-
Test e simulazione:
- Chiedere alla macchina di condurre esperimenti di chaos engineering per testare la resilienza del sistema, entro limiti che definite voi.
- Progettare simulazioni di guasto e supervisionarne l’esecuzione.
-
Analizzare gli esiti dei test per migliorare la robustezza del sistema.
-
Analisi post-mortem:
- L’importanza di redigere un post-mortem dopo gli incidenti.
- Strutturare un report post-mortem accurato e costruttivo, e confrontare con le evidenze reali la timeline abbozzata dalla macchina.
-
Imparare dai guasti per evitarne il ripetersi e migliorare i processi.
-
Misure preventive e miglioramento continuo:
- Implementare sistemi proattivi di monitoraggio e alerting.
- Strategie di miglioramento continuo dei sistemi basate sulle lezioni apprese dagli incidenti.
- Promuovere una cultura di trasparenza e responsabilità all’interno del team.
Obiettivi del modulo:
- Mettere i partecipanti in grado di gestire gli incidenti in un ambiente SRE, guidando la macchina in linguaggio naturale e verificando ogni azione che compie.
- Spiegare l’importanza di documentazione, riferimenti e test per mantenere l’affidabilità dei sistemi.
- Permettere ai partecipanti di condurre analisi post-mortem che alimentino l’apprendimento e il miglioramento dell’organizzazione.
Destinatari:
Il modulo è rivolto a Site Reliability Engineer, professionisti DevOps, personale delle operations IT e chiunque voglia migliorare le proprie competenze di gestione degli incidenti in un contesto SRE.
Gli studenti possono caricare i propri esercizi nel Progetto Git dell’Academy DevOps & SRE. Per questo modulo, create una cartella con il vostro username come nome nella seguente sottocartella: https://github.com/Garanti-Del-Talento/gdt_academy