Serviços de site reliability engineering
Serviços de site reliability engineering (SRE) para sistemas que têm de se manter no ar: objetivos de nível de serviço e error budgets, observabilidade com OpenTelemetry, on-call e gestão de incidentes, testes de carga e planeamento de capacidade, recuperação de desastres e chaos engineering, e trabalho operacional repetitivo automatizado, com engenheiros de site reliability dedicados à sua equipa ou projetos de SRE entregues de ponta a ponta.
Serviços de SRE que prestamos
Observabilidade do código ao cliente
Serviços instrumentados com OpenTelemetry, com métricas, registos e traces no Prometheus, no Loki e no Tempo sob o Grafana, ou no Datadog, no New Relic, no Dynatrace ou no Elastic, ligados por um trace ID para que um pedido lento possa ser seguido por todos os serviços que tocou.
Objetivos de nível de serviço e error budgets
Indicadores medidos a partir do que os utilizadores sentem, como a latência e os pedidos falhados, objetivos acordados com o product owner e alertas de burn rate gerados com o Sloth ou o Pyrra, para que um error budget esgotado ponha o trabalho de fiabilidade à frente de novas funcionalidades.
Rotações de on-call e alertas
Rotações e políticas de escalonamento no PagerDuty, no incident.io, no Grafana IRM ou no Jira Service Management, alertas reduzidos até que cada um exija uma pessoa, um runbook ligado a partir de cada chamada e escalas do Opsgenie migradas antes de a Atlassian o encerrar em abril de 2027.
Gestão de incidentes e postmortems
Níveis de gravidade, um responsável pelo incidente e uma cadência de atualizações da página de estado acordados antes da primeira falha, cada incidente gerido no seu próprio canal do Slack ou do Teams, e um postmortem sem atribuição de culpas cujas ações são acompanhadas até estarem concluídas.
Automatização de toil e preparação para produção
Trabalho operacional repetitivo medido e depois automatizado: renovações de certificados, reinícios, failovers e limpezas tratados por scripts e operadores Kubernetes, e uma revisão de prontidão antes de cada novo serviço receber tráfego de produção.
Testes de carga e de desempenho
Testes de carga, de stress e de soak em k6, Gatling, Locust ou JMeter contra ambientes semelhantes à produção e no pipeline, com profiling para encontrar onde se gasta o tempo quando um teste falha o objetivo.
Planeamento de capacidade e autoscaling
Crescimento previsto a partir de tráfego real, autoscaling pelos sinais que importam, como a profundidade da fila através do KEDA ou os pedidos por segundo, e margem reservada para picos de vendas e para a perda de uma zona inteira.
Simulacros de recuperação de desastres
Objetivos de tempo e de ponto de recuperação definidos por serviço, cópias de segurança restauradas e regiões comutadas por failover de forma agendada, e o resultado medido comparado com o objetivo, para que se saiba que o plano de recuperação funciona antes de ser necessário.
Chaos engineering
Falhas injetadas de propósito com o AWS Fault Injection Service, o Azure Chaos Studio, o Chaos Mesh ou o LitmusChaos: uma instância parada, uma dependência abrandada, uma zona isolada, começando em staging e passando à produção quando o sistema e a equipa estiverem prontos.
Contratar engenheiros de site reliability
engenheiros de site reliability dedicados
Engenheiros de site reliability que integram a sua equipa a tempo inteiro, trabalham nas suas ferramentas e no seu processo, e reportam ao seu responsável. A sua empresa entrevista-os; nós assumimos o contrato ucraniano, o processamento salarial, a faturação e as férias.
Projetos de Site reliability engineering
Uma parcela definida de site reliability engineering, com âmbito, plano fixo e um responsável identificado do nosso lado, que responde pelo resultado e reporta o progresso nos seus canais.
site reliability engineering em regime contínuo
Site reliability engineering como serviço contínuo: as mesmas pessoas todos os meses, um backlog que a sua empresa prioriza e horas que pode consultar no nosso portal e na fatura.
A página da equipa dedicada explica como os especialistas integram a sua equipa, e a página de outsourcing aborda a entrega de projetos, as tomadas a cargo e a forma como cobramos.
Quem trabalha em site reliability engineering para a sua empresa
Engenheiros de site reliability
Níveis de serviço, on-call, incidentes e automatização
Engenheiros de observabilidade
Instrumentação, painéis e regras de alerta
Engenheiros de DevOps e de plataforma
Pipelines, infraestrutura como código e Kubernetes
Engenheiros de desempenho
Testes de carga, profiling e modelos de capacidade
Programadores de back-end
Correções para falhas rastreadas até ao código
Como fazemos SRE
A fiabilidade é definida por acordo e não pelo número de alertas: cada serviço tem objetivos que o product owner aprovou, os alertas disparam quando o error budget se esgota e não a cada pico de CPU, e quando o orçamento acaba o trabalho de fiabilidade passa à frente de novas funcionalidades até recuperar. Os painéis, as regras de alerta e os runbooks vivem no Git junto do código e mudam através de pull requests.
Num sistema construído por outra equipa, começamos por uma revisão só de leitura da monitorização, dos alertas, dos incidentes anteriores e dos planos de recuperação, e por uma lista escrita de riscos por ordem de impacto. O on-call só começa depois de acordados por escrito o horário coberto, o tempo de resposta para cada nível de gravidade e o circuito de escalonamento para a sua equipa, e cada incidente termina com uma revisão sem atribuição de culpas e ações acompanhadas até estarem concluídas.
Outros serviços de cloud, DevOps e segurança
Desenvolvimento AWS
Serviços de desenvolvimento AWS: contentores EKS e ECS, serverless, landing zones, migrações, bases de dados, plataformas de dados, IA generativa com Bedrock, segurança e otimização de custos, com engenheiros AWS dedicados ou entrega de projetos.
Desenvolvimento Google Cloud
Serviços de desenvolvimento Google Cloud: Cloud Run e GKE, BigQuery, backends Firebase, Cloud SQL e AlloyDB, Gemini na Agent Platform, segurança e migrações, com engenheiros Google Cloud dedicados ou entrega de projetos.
Consultoria Kubernetes
Consultoria e desenvolvimento Kubernetes: clusters em EKS, AKS, GKE e on-premises, Helm, GitOps com Argo CD ou Flux, segurança de clusters, atualizações e cargas de trabalho com GPU, com engenheiros Kubernetes dedicados ou entrega de projetos.
DevOps e CI/CD
Serviços de DevOps e CI/CD: pipelines, infraestrutura como código com Terraform, observabilidade, SRE e on-call, DevSecOps, engenharia de plataformas e FinOps, com engenheiros de DevOps e SRE dedicados ou trabalho contínuo de DevOps.
Cibersegurança e testes de intrusão
Serviços de cibersegurança e testes de intrusão: pentests web, móveis, de API, de rede e de cloud, revisão segura de código, SOC e resposta a incidentes, ISO 27001 e SOC 2, com engenheiros de segurança dedicados ou projetos definidos.
Infraestrutura de TI
Serviços de infraestrutura de TI e administração de sistemas: servidores Windows e Linux, redes, Microsoft 365 e Entra ID, virtualização, cópias de segurança e telecomunicações, com administradores de sistemas dedicados ou suporte contínuo.
Engenharia de plataformas
Serviços de engenharia de plataformas: plataformas internas para programadores, portais Backstage, golden paths e modelos, infraestrutura self-service e plataformas Kubernetes, com engenheiros de plataformas dedicados ou entrega de projetos.
Arquitetura cloud
Serviços de arquitetura e consultoria cloud: desenhos para AWS, Azure e Google Cloud, planos de migração, landing zones, revisões Well-Architected, resiliência e custos, com arquitetos cloud dedicados ou entrega de projetos.
FinOps
Serviços de FinOps e otimização de custos cloud: atribuição de custos, redimensionamento, savings plans e reservas, custos de Kubernetes, dados e IA, orçamentos e alertas de anomalias, com engenheiros de FinOps dedicados ou entrega de projetos.
Terraform e IaC
Serviços de Terraform e infraestrutura como código: módulos Terraform e OpenTofu, importações, pipelines de plan e apply, controlo de drift, policy as code e Ansible, com engenheiros Terraform dedicados ou entrega de projetos.
Administração Linux
Serviços de administração Linux: servidores Ubuntu, Debian, RHEL, Rocky Linux e AlmaLinux configurados, atualizados, protegidos, monitorizados e com cópias de segurança, e atualizações de versões em fim de vida, com administradores Linux dedicados ou suporte contínuo.
Engenharia de redes
Serviços de engenharia de redes: routing e switching, firewalls, SD-WAN e acesso zero-trust, redes cloud, Wi-Fi e automatização em Cisco, Juniper e Fortinet, com engenheiros de redes dedicados ou entrega de projetos.
Segurança cloud
Serviços de segurança cloud: CSPM e CNAPP, revisões de IAM, segurança Kubernetes, proteção de redes e dados e conformidade cloud na AWS, Azure e Google Cloud, com engenheiros de segurança cloud dedicados ou entrega de projetos.
SOC e monitorização de segurança
SOC como serviço e monitorização de segurança: SOC gerido, implementação de SIEM, integração de registos, engenharia de deteção, EDR, threat hunting e contratos de resposta a incidentes, com analistas de SOC dedicados ou monitorização contínua.
Conformidade de segurança
Conformidade de segurança e preparação para auditorias: controlos ISO 27001, SOC 2, RGPD, PCI DSS, HIPAA, NIS2 e DORA, avaliações de lacunas e evidências de auditoria, com engenheiros de conformidade dedicados ou um projeto de preparação.
Perguntas sobre site reliability engineering
Em que setores trabalham os engenheiros de site reliability?
Sobretudo fintech e banca, onde os sistemas de pagamentos e de negociação estão sujeitos a requisitos rigorosos de disponibilidade e a regras de resiliência como o DORA; fornecedores de cloud, alojamento e telecomunicações cujos clientes dependem da sua disponibilidade; comércio eletrónico e retalho, com a capacidade planeada em torno de picos de vendas; produtos SaaS empresariais com compromissos de disponibilidade nos contratos; plataformas de saúde; produtos de IA e de dados com cargas de trabalho de GPU e pipelines a manter em funcionamento; e empresas de segurança.
Qual é a diferença entre SRE e DevOps?
O DevOps cobre a forma como o código chega à produção: pipelines, infraestrutura como código e releases. O SRE cobre o comportamento do código depois de lá estar: objetivos de disponibilidade e de latência, a monitorização que os mede, o on-call, a resposta a incidentes e a engenharia que elimina falhas recorrentes. A maioria das equipas precisa de ambos, e fornecemos qualquer um ou os dois.
Com que ferramentas de observabilidade trabalham?
OpenTelemetry para instrumentação; Prometheus, Grafana, Loki, Tempo e Mimir, em alojamento próprio ou no Grafana Cloud; Datadog, New Relic, Dynatrace, Elastic e Splunk; Azure Monitor, Amazon CloudWatch e Google Cloud Observability; e PagerDuty, incident.io e Grafana IRM para on-call. Trabalhamos nas ferramentas que já paga.
Em quanto tempo podem começar engenheiros de site reliability?
Quando o engenheiro de site reliability adequado está disponível, o arranque depende apenas da sua entrevista, do NDA e da cedência de propriedade intelectual. Caso contrário, fazemos uma pesquisa, que normalmente produz perfis de candidatos em duas a três semanas, e ninguém começa antes de a sua empresa dar o seu acordo.
Como contratamos engenheiros de site reliability através da BigTree108?
Diga-nos qual é o trabalho, a senioridade e o horário de que precisa. Propomos uma ou duas pessoas com os respetivos perfis, a sua empresa entrevista-as como entrevistaria uma contratação própria, e assina um único contrato com a BIG TREE 108 LLC e recebe uma fatura por mês.
A quem pertence o trabalho que produzem?
A sua empresa. Cada especialista tem um contrato assinado com a BigTree108 que atribui à empresa todo o trabalho produzido, e o nosso contrato com a sua empresa atribui-lho. O código, os designs e os documentos são entregues nos seus próprios repositórios e ferramentas, e não mantidos onde só nós os podemos alterar.
Precisa de engenheiros de site reliability?
Indique-nos o que corre em produção, como o monitoriza e o que correu mal ultimamente. Receberá resposta no prazo de um dia útil: um plano, perfis de candidatos ou um âmbito para uma revisão de fiabilidade.