Služby site reliability engineeringu
Služby site reliability engineeringu (SRE) pro systémy, které musí běžet: cíle úrovně služeb (SLO) a error budgety, observabilita pomocí OpenTelemetry, on-call a řízení incidentů, zátěžové testování a plánování kapacity, disaster recovery a chaos engineering a automatizace opakující se provozní práce, s dedikovanými site reliability inženýry pro váš tým nebo s SRE projekty dodanými na klíč.
Služby SRE, které poskytujeme
Observabilita od kódu po zákazníka
Služby instrumentované pomocí OpenTelemetry, s metrikami, logy a trasami v Prometheus, Loki a Tempo pod Grafanou nebo v Datadog, New Relic, Dynatrace či Elastic, propojenými přes trace ID, takže jeden pomalý požadavek lze sledovat napříč všemi službami, kterých se dotkl.
Cíle úrovně služeb a error budgety
Ukazatele měřené podle toho, co uživatelé zažívají, například latence a neúspěšné požadavky, cíle dohodnuté s product ownerem a upozornění na rychlost čerpání (burn rate) generovaná pomocí Sloth nebo Pyrra, takže vyčerpaný error budget předřadí práci na spolehlivosti před nové funkce.
Rotace on-call a alerting
Rotace a eskalační politiky v PagerDuty, incident.io, Grafana IRM nebo Jira Service Management, upozornění zredukovaná tak, aby každé vyžadovalo člověka, runbook odkazovaný z každého vyvolání a rozpisy z Opsgenie převedené dřív, než ho Atlassian v dubnu 2027 vypne.
Řízení incidentů a postmortemy
Úrovně závažnosti, vedoucí incidentu a frekvence aktualizací stavové stránky dohodnuté před prvním výpadkem, každý incident vedený ve vlastním kanálu Slack nebo Teams a postmortem bez hledání viníka, jehož opatření se sledují až do dokončení.
Automatizace rutinní práce a připravenost na produkci
Opakující se provozní práce se nejprve změří a poté automatizuje: obnovy certifikátů, restarty, failovery a úklid zajišťují skripty a operátory Kubernetes, a než nová služba převezme produkční provoz, proběhne posouzení připravenosti.
Zátěžové a výkonnostní testování
Zátěžové, stresové a soak testy v k6, Gatling, Locust nebo JMeter proti prostředím podobným produkci i v pipeline, s profilováním, které ukáže, kde se ztrácí čas, když test nesplní cíl.
Plánování kapacity a autoscaling
Předpověď růstu ze skutečného provozu, autoscaling podle signálů, na kterých záleží, například délky fronty přes KEDA nebo počtu požadavků za sekundu, a rezerva ponechaná pro prodejní špičky i pro ztrátu celé zóny.
Cvičení disaster recovery
Cíle doby obnovy (RTO) a bodu obnovy (RPO) stanovené pro každou službu, zálohy obnovované a regiony přepínané podle plánu a naměřený výsledek porovnaný s cílem, takže je známo, že plán obnovy funguje, dřív, než bude potřeba.
Chaos engineering
Záměrně vyvolávané poruchy pomocí AWS Fault Injection Service, Azure Chaos Studio, Chaos Mesh nebo LitmusChaos: zastavená instance, zpomalená závislost, odpojená zóna, počínaje stagingem a přechodem do produkce, jakmile jsou systém i tým připraveni.
site reliability inženýři do vašeho týmu
Dedikovaní site reliability inženýři
Site reliability inženýři, kteří nastoupí do vašeho týmu na plný úvazek, pracují ve vašich nástrojích a procesu a zodpovídají se vašemu vedoucímu. Pohovor s nimi vedete vy; my neseme ukrajinskou smlouvu, mzdy, fakturaci a dovolenou.
Projekty v oblasti „Site reliability engineering“
Vymezená část práce v oblasti „site reliability engineering“ s rozsahem, pevným plánem a jmenovaným vedoucím na naší straně, který odpovídá za výsledek a o postupu informuje ve vašich kanálech.
Průběžná spolupráce v oblasti „site reliability engineering“
Průběžná služba v oblasti „Site reliability engineering“: každý měsíc stejní lidé, backlog, kterému určujete priority, a hodiny, které vidíte v našem portálu i na faktuře.
Stránka o dedikovaném týmu vysvětluje, jak se specialisté připojují k vašemu týmu, a stránka o outsourcingu pokrývá dodávku projektů, převzetí systémů a jak účtujeme.
Kdo pracuje na vašem zadání v oblasti „site reliability engineering“
Site reliability inženýři
Úrovně služeb, on-call, incidenty a automatizace
Inženýři observability
Instrumentace, dashboardy a pravidla upozornění
DevOps a platform inženýři
Pipeline, infrastruktura jako kód a Kubernetes
Inženýři výkonu
Zátěžové testy, profilování a modely kapacity
Backend vývojáři
Opravy poruch dohledaných až v kódu
Jak děláme SRE
Spolehlivost se určuje dohodou, a ne počtem upozornění: každá služba má cíle, které product owner odsouhlasil, upozornění se spouštějí, když se čerpá error budget, a ne při každém výkyvu CPU, a když se rozpočet vyčerpá, předchází práce na spolehlivosti nové funkce, dokud se nezotaví. Dashboardy, pravidla upozornění a runbooky žijí v Gitu vedle kódu a mění se přes pull requesty.
U systému, který postavil jiný tým, začínáme posouzením monitoringu, upozornění, minulých incidentů a plánů obnovy jen pro čtení a písemným seznamem rizik v pořadí podle dopadu. On-call začíná teprve tehdy, když se písemně dohodnou pokryté hodiny, doba reakce pro každou závažnost a eskalační cesta do vašeho týmu, a každý incident končí rozborem bez hledání viníka a opatřeními sledovanými až do dokončení.
Další služby cloudu, DevOps a bezpečnosti
Vývoj na AWS
Služby vývoje na AWS: kontejnery EKS a ECS, serverless, landing zones, migrace, databáze, datové platformy, generativní AI v Bedrock, bezpečnost a optimalizace nákladů, s dedikovanými inženýry AWS nebo dodávkou projektu.
Vývoj na Google Cloudu
Služby vývoje na Google Cloudu: Cloud Run a GKE, BigQuery, backendy ve Firebase, Cloud SQL a AlloyDB, Gemini na Agent Platform, bezpečnost a migrace, s dedikovanými inženýry Google Cloudu nebo dodávkou projektu.
Poradenství pro Kubernetes
Poradenství a vývoj pro Kubernetes: clustery na EKS, AKS, GKE i on premises, Helm, GitOps s Argo CD nebo Flux, zabezpečení clusterů, upgrady a úlohy s GPU, s dedikovanými inženýry Kubernetes nebo dodávkou projektu.
DevOps a CI/CD
Služby DevOps a CI/CD: pipeline, Terraform a infrastruktura jako kód, observabilita, SRE a pohotovost (on-call), DevSecOps, platform engineering a FinOps, s dedikovanými inženýry DevOps a SRE nebo průběžnou prací DevOps.
Kybernetická bezpečnost a pentesty
Služby kybernetické bezpečnosti a penetračního testování: pentesty webu, mobilu, API, sítě a cloudu, revize zabezpečení kódu, SOC a reakce na incidenty, ISO 27001 a SOC 2, s dedikovanými bezpečnostními inženýry nebo vymezenými projekty.
IT infrastruktura
Služby IT infrastruktury a správy systémů: servery s Windows a Linuxem, sítě, Microsoft 365 a Entra ID, virtualizace, zálohy a telekomunikace, s dedikovanými správci systémů nebo průběžnou podporou.
Platform engineering
Služby platform engineeringu: interní vývojářské platformy, portály Backstage, golden paths a šablony, samoobslužná infrastruktura a platformy Kubernetes, s dedikovanými platform inženýry nebo dodávkou projektu.
Cloudová architektura
Služby cloudové architektury a poradenství: návrhy pro AWS, Azure a Google Cloud, plány migrace, landing zones, revize Well-Architected, odolnost a náklady, s dedikovanými cloudovými architekty nebo dodávkou projektu.
FinOps
Služby FinOps a optimalizace cloudových nákladů: alokace nákladů, správné dimenzování, savings plans a rezervace, náklady na Kubernetes, data a AI, rozpočty a upozornění na anomálie, s dedikovanými inženýry FinOps nebo dodávkou projektu.
Terraform a IaC
Služby Terraformu a infrastruktury jako kód: moduly Terraform a OpenTofu, importy, pipeline plan a apply, kontrola driftu, policy as code a Ansible, s dedikovanými inženýry Terraformu nebo dodávkou projektu.
Administrace Linuxu
Služby administrace Linuxu: servery s Ubuntu, Debianem, RHEL, Rocky Linuxem a AlmaLinuxem nastavené, záplatované, zabezpečené (hardening), monitorované a zálohované a upgrady po konci podpory, s dedikovanými správci Linuxu nebo průběžnou podporou.
Síťové inženýrství
Služby síťového inženýrství: směrování a přepínání, firewally, SD-WAN a přístup zero-trust, cloudové sítě, Wi-Fi a automatizace na Cisco, Juniper a Fortinet, s dedikovanými síťovými inženýry nebo dodávkou projektu.
Cloudová bezpečnost
Služby cloudové bezpečnosti: CSPM a CNAPP, revize IAM, bezpečnost Kubernetes, ochrana sítě a dat a cloudová compliance na AWS, Azure a Google Cloudu, s dedikovanými inženýry cloudové bezpečnosti nebo dodávkou projektu.
SOC a bezpečnostní monitoring
SOC jako služba a bezpečnostní monitoring: spravovaný SOC, nasazení SIEM, napojení logů, detection engineering, EDR, threat hunting a retainery pro reakci na incidenty, s dedikovanými analytiky SOC nebo průběžným monitoringem.
Bezpečnostní compliance
Bezpečnostní compliance a příprava na audit: kontroly ISO 27001, SOC 2, GDPR, PCI DSS, HIPAA, NIS2 a DORA, gap analýzy a důkazy pro audit, s dedikovanými inženýry compliance nebo projektem přípravy.
Otázky k site reliability engineeringu
V jakých odvětvích pracují vaši site reliability inženýři?
Většinou ve fintechu a bankovnictví, kde se na platební a obchodní systémy vztahují přísné požadavky na dostupnost a pravidla odolnosti, například DORA; u poskytovatelů cloudu, hostingu a telekomunikací, jejichž zákazníci na dostupnosti závisejí; v e-commerce a maloobchodu s kapacitou plánovanou podle prodejních špiček; u podnikových SaaS produktů se závazky dostupnosti ve smlouvách; u zdravotnických platforem; u AI a datových produktů s GPU workloady a pipeline, které musí běžet; a u bezpečnostních firem.
Jaký je rozdíl mezi SRE a DevOps?
DevOps se věnuje tomu, jak se kód dostává do produkce: pipeline, infrastruktura jako kód a releasy. SRE se věnuje tomu, jak se kód chová, když už tam je: cíle dostupnosti a latence, monitoring, který je měří, on-call, reakce na incidenty a inženýrská práce, která odstraňuje opakující se poruchy. Většina týmů potřebuje obojí a my obsazujeme jedno i druhé.
S jakými nástroji pro observabilitu pracujete?
OpenTelemetry pro instrumentaci; Prometheus, Grafana, Loki, Tempo a Mimir, provozované vlastními silami nebo jako Grafana Cloud; Datadog, New Relic, Dynatrace, Elastic a Splunk; Azure Monitor, Amazon CloudWatch a Google Cloud Observability; a PagerDuty, incident.io a Grafana IRM pro on-call. Pracujeme v nástrojích, které už platíte.
Jak rychle mohou nastoupit site reliability inženýři?
Když je k dispozici ten pravý site reliability inženýr, začátek brzdí jen váš pohovor, NDA a převod práv duševního vlastnictví. Jinak vedeme hledání, které obvykle přinese profily kandidátů do dvou až tří týdnů, a nikdo nenastoupí, dokud neřeknete ano.
Jak probíhá najímání přes BigTree108 (role: site reliability inženýři)?
Řekněte nám, jakou práci, jakou seniority a kolik hodin potřebujete. Navrhneme jednoho nebo dva lidi s jejich profily, pohovoříte s nimi stejně jako s vlastním zaměstnancem a podepíšete jednu smlouvu s BIG TREE 108 LLC a budete dostávat jednu fakturu měsíčně.
Komu patří práce, kterou vytvářejí?
Vám. Každý specialista má podepsanou smlouvu s BigTree108, která převádí všechny výsledky práce na společnost, a naše smlouva s vámi je převádí dál. Kód, návrhy a dokumenty se dodávají do vašich vlastních repozitářů a nástrojů, ne do míst, kde je můžeme měnit jen my.
Potřebujete site reliability inženýry?
Napište nám, co běží v produkci, jak to monitorujete a co se v poslední době pokazilo. Odpověď dostanete do jednoho pracovního dne: plán, profily kandidátů nebo rozsah posouzení spolehlivosti.