Interviewfragen für erfahrene Site Reliability Engineers: Der umfassende Leitfaden

# Identifiziere kritische User Journeys
user_journeys = {
    'search_product': {
        'steps': ['search_query', 'results_display', 'product_click'],
        'criticality': 'high',
        'expected_latency': '< 500ms'
    },
    'checkout': {
        'steps': ['add_to_cart', 'payment', 'confirmation'],
        'criticality': 'critical',
        'expected_latency': '< 2s'
    },
    'browse_recommendations': {
        'steps': ['load_page', 'fetch_recommendations'],
        'criticality': 'medium',
        'expected_latency': '< 1s'
    }
}

# SLI Spezifikation
slis:
  availability:
    description: "Prozentsatz erfolgreicher Anfragen"
    measurement: "count(http_status < 500) / count(http_requests)"
    
  latency:
    description: "95. Perzentil der Anfrage-Latenz"
    measurement: "histogram_quantile(0.95, http_request_duration_seconds)"
    
  correctness:
    description: "Prozentsatz der Anfragen, die korrekte Daten zurückgeben"
    measurement: "count(validation_passed) / count(requests)"

def calculate_initial_slo(service_type, criticality):
    """
    Berechne das anfängliche SLO basierend auf den Dienstmerkmalen
    """
    base_slos = {
        'critical': {
            'availability': 0.999,  # 99,9%
            'latency_p95': 1.0,     # 1 Sekunde
            'latency_p99': 2.0      # 2 Sekunden
        },
        'high': {
            'availability': 0.995,  # 99,5%
            'latency_p95': 2.0,
            'latency_p99': 5.0
        },
        'medium': {
            'availability': 0.99,   # 99%
            'latency_p95': 5.0,
            'latency_p99': 10.0
        }
    }
    
    return base_slos.get(criticality, base_slos['medium'])

# Beispiel
checkout_slo = calculate_initial_slo('payment', 'critical')
print(f"Checkout SLO: {checkout_slo}")

## SLO Annahmen (Initial)

### Verfügbarkeit: 99,9%
- Annahme: Standardmäßige Cloud-Infrastruktur-Zuverlässigkeit
- Fehlerbudget: 43 Minuten/Monat
- Überprüfung: Nach 3 Monaten Daten

### Latenz (p95): < 1s
- Annahme: Datenbankabfragen < 100ms
- Annahme: Keine komplexen Berechnungen
- Überprüfung: Wenn sich die Abfragemuster ändern

### Abhängigkeiten
- Verfügbarkeit der externen API: 99,95%
- Verfügbarkeit der Datenbank: 99,99%

class SLOTier:
    def __init__(self, name, availability, latency_p95, latency_p99):
        self.name = name
        self.availability = availability
        self.latency_p95 = latency_p95
        self.latency_p99 = latency_p99
        self.error_budget = 1 - availability

# Definiere Tiers
tiers = {
    'premium': SLOTier(
        name='Premium',
        availability=0.9999,  # 99,99% - 4,3 min/Monat
        latency_p95=0.5,
        latency_p99=1.0
    ),
    'standard': SLOTier(
        name='Standard',
        availability=0.999,   # 99,9% - 43 min/Monat
        latency_p95=1.0,
        latency_p99=2.0
    ),
    'free': SLOTier(
        name='Free',
        availability=0.99,    # 99% - 7,2 Stunden/Monat
        latency_p95=2.0,
        latency_p99=5.0
    )
}

# Leite Anfragen basierend auf dem Tier weiter
def get_user_tier(user_id):
    # Suche den Abonnement-Tier des Benutzers
    return user_subscription_tier(user_id)

def apply_slo_policy(user_id, request):
    tier = get_user_tier(user_id)
    slo = tiers[tier]
    
    # Wende tier-spezifische Richtlinien an
    request.timeout = slo.latency_p99
    request.priority = tier  # Für die Priorisierung der Warteschlange
    request.retry_budget = calculate_retry_budget(slo.error_budget)
    
    return request

# Kubernetes Beispiel: Separate Deployments pro Tier
apiVersion: apps/v1
kind: Deployment
metadata:
  name: api-premium
spec:
  replicas: 10
  template:
    spec:
      containers:
      - name: api
        resources:
          requests:
            cpu: "2"
            memory: "4Gi"
          limits:
            cpu: "4"
            memory: "8Gi"
      priorityClassName: high-priority
---
apiVersion: apps/v1
kind: Deployment
metadata:
  name: api-standard
spec:
  replicas: 5
  template:
    spec:
      containers:
      - name: api
        resources:
          requests:
            cpu: "1"
            memory: "2Gi"

# Verfügbarkeit nach Tier
sum(rate(http_requests_total{status!~"5.."}[5m])) by (tier)
/
sum(rate(http_requests_total[5m])) by (tier)

# Latenz nach Tier
histogram_quantile(0.95,
  rate(http_request_duration_seconds_bucket[5m])
) by (tier)

import pandas as pd
import numpy as np
from sklearn.linear_model import LinearRegression

class CapacityPlanner:
    def __init__(self, metrics_data):
        self.data = pd.DataFrame(metrics_data)
    
    def analyze_trends(self, metric_name, days=30):
        """Analysiere historische Trends"""
        metric_data = self.data[metric_name].tail(days * 24)  # Stündliche Daten
        
        # Berechne die Wachstumsrate
        start_value = metric_data.iloc[0]
        end_value = metric_data.iloc[-1]
        growth_rate = ((end_value - start_value) / start_value) * 100
        
        # Identifiziere die Spitzenauslastung
        peak_value = metric_data.max()
        peak_time = metric_data.idxmax()
        
        # Berechne Perzentile
        p50 = metric_data.quantile(0.50)
        p95 = metric_data.quantile(0.95)
        p99 = metric_data.quantile(0.99)
        
        return {
            'growth_rate': growth_rate,
            'peak_value': peak_value,
            'peak_time': peak_time,
            'p50': p50,
            'p95': p95,
            'p99': p99
        }
    
    def forecast_capacity(self, metric_name, months_ahead=3):
        """Prognostiziere den zukünftigen Kapazitätsbedarf"""
        # Bereite die Daten vor
        df = self.data[[metric_name]].reset_index()
        df['days'] = (df.index / 24).astype(int)  # Konvertiere Stunden in Tage
        
        # Trainiere das Modell
        X = df[['days']].values
        y = df[metric_name].values
        
        model = LinearRegression()
        model.fit(X, y)
        
        # Prognostiziere
        future_days = np.array([[df['days'].max() + (30 * months_ahead)]])
        forecast = model.predict(future_days)[0]
        
        # Füge eine Sicherheitsmarge hinzu (20%)
        forecast_with_margin = forecast * 1.2
        
        return {
            'forecast': forecast,
            'with_margin': forecast_with_margin,
            'current': y[-1],
            'growth_factor': forecast / y[-1]
        }
    
    def calculate_resource_needs(self, requests_per_second, 
                                 requests_per_instance=100,
                                 headroom=0.3):
        """Berechne die benötigten Instanzen"""
        # Basiskapazität
        base_instances = np.ceil(requests_per_second / requests_per_instance)
        
        # Füge Headroom für Spitzen und Wartung hinzu
        total_instances = np.ceil(base_instances * (1 + headroom))
        
        return {
            'base_instances': int(base_instances),
            'total_instances': int(total_instances),
            'headroom_instances': int(total_instances - base_instances)
        }

# Beispielhafte Verwendung
metrics = {
    'requests_per_second': [100, 105, 110, 115, 120, ...],  # Historische Daten
    'cpu_usage': [45, 48, 50, 52, 55, ...],
    'memory_usage': [60, 62, 65, 67, 70, ...]
}

planner = CapacityPlanner(metrics)

# Analysiere Trends
trends = planner.analyze_trends('requests_per_second', days=30)
print(f"Wachstumsrate: {trends['growth_rate']:.2f}%")
print(f"Peak RPS: {trends['peak_value']}")

# Prognostiziere die Kapazität
forecast = planner.forecast_capacity('requests_per_second', months_ahead=3)
print(f"Prognostizierte RPS in 3 Monaten: {forecast['forecast']:.0f}")
print(f"Mit Sicherheitsmarge: {forecast['with_margin']:.0f}")

# Berechne den Ressourcenbedarf
resources = planner.calculate_resource_needs(
    requests_per_second=forecast['with_margin'],
    requests_per_instance=100,
    headroom=0.3
)
print(f"Benötigte Instanzen: {resources['total_instances']}")

def optimize_instance_mix(workload_profile):
    """
    Optimiere Instanztypen für Kosten
    """
    # Mix aus Instanztypen
    instance_types = {
        'on_demand': {
            'cost_per_hour': 0.10,
            'reliability': 1.0,
            'percentage': 0.3  # 30% On-Demand für die Baseline
        },
        'spot': {
            'cost_per_hour': 0.03,
            'reliability': 0.95,
            'percentage': 0.5  # 50% Spot für Kosteneinsparungen
        },
        'reserved': {
            'cost_per_hour': 0.06,
            'reliability': 1.0,
            'percentage': 0.2  # 20% Reserved für vorhersehbare Last
        }
    }
    
    total_instances = workload_profile['total_instances']
    
    allocation = {}
    for instance_type, config in instance_types.items():
        count = int(total_instances * config['percentage'])
        allocation[instance_type] = {
            'count': count,
            'monthly_cost': count * config['cost_per_hour'] * 730
        }
    
    return allocation

# Chaos-Experiment-Framework
from dataclasses import dataclass
from enum import Enum
import random
import time

class ExperimentStatus(Enum):
    PLANNED = "planned"
    RUNNING = "running"
    COMPLETED = "completed"
    ABORTED = "aborted"

@dataclass
class ChaosExperiment:
    name: str
    hypothesis: str
    blast_radius: float  # Prozentsatz des betroffenen Traffics
    duration_seconds: int
    rollback_criteria: dict
    
    def __post_init__(self):
        self.status = ExperimentStatus.PLANNED
        self.metrics_before = {}
        self.metrics_during = {}
        self.metrics_after = {}

class ChaosRunner:
    def __init__(self, monitoring_client):
        self.monitoring = monitoring_client
        self.experiments = []
    
    def run_experiment(self, experiment: ChaosExperiment):
        """Führe ein Chaos-Experiment mit Sicherheitsprüfungen durch"""
        print(f"Starte Experiment: {experiment.name}")
        
        # 1. Messe die Baseline
        experiment.metrics_before = self.measure_metrics()
        print(f"Baseline-Metriken: {experiment.metrics_before}")
        
        # 2. Verifiziere, dass das System gesund ist
        if not self.is_system_healthy(experiment.metrics_before):
            print("System ist ungesund, breche Experiment ab")
            return False
        
        # 3. Injiziere Fehler
        experiment.status = ExperimentStatus.RUNNING
        failure_injection = self.inject_failure(experiment)
        
        try:
            # 4. Überwache während des Experiments
            start_time = time.time()
            while time.time() - start_time < experiment.duration_seconds:
                experiment.metrics_during = self.measure_metrics()
                
                # Überprüfe die Rollback-Kriterien
                if self.should_rollback(experiment):
                    print("Rollback-Kriterien erfüllt, stoppe Experiment")
                    self.rollback(failure_injection)
                    experiment.status = ExperimentStatus.ABORTED
                    return False
                
                time.sleep(10)  # Überprüfe alle 10 Sekunden
            
            # 5. Rolle die Fehlerinjektion zurück
            self.rollback(failure_injection)
            
            # 6. Messe die Wiederherstellung
            time.sleep(60)  # Warte, bis sich das System stabilisiert hat
            experiment.metrics_after = self.measure_metrics()
            
            # 7. Analysiere die Ergebnisse
            experiment.status = ExperimentStatus.COMPLETED
            return self.analyze_results(experiment)
            
        except Exception as e:
            print(f"Experiment fehlgeschlagen: {e}")
            self.rollback(failure_injection)
            experiment.status = ExperimentStatus.ABORTED
            return False
    
    def inject_failure(self, experiment):
        """Injiziere einen bestimmten Fehlertyp"""
        # Die Implementierung hängt vom Fehlertyp ab
        pass
    
    def measure_metrics(self):
        """Messe wichtige Systemmetriken"""
        return {
            'error_rate': self.monitoring.get_error_rate(),
            'latency_p95': self.monitoring.get_latency_p95(),
            'requests_per_second': self.monitoring.get_rps(),
            'availability': self.monitoring.get_availability()
        }
    
    def is_system_healthy(self, metrics):
        """Überprüfe, ob das System die SLOs erfüllt"""
        return (
            metrics['error_rate'] < 0.01 and  # < 1% Fehler
            metrics['latency_p95'] < 1.0 and  # < 1s Latenz
            metrics['availability'] > 0.999   # > 99,9% verfügbar
        )
    
    def should_rollback(self, experiment):
        """Überprüfe, ob das Experiment abgebrochen werden soll"""
        current = experiment.metrics_during
        criteria = experiment.rollback_criteria
        
        return (
            current['error_rate'] > criteria.get('max_error_rate', 0.05) or
            current['latency_p95'] > criteria.get('max_latency', 5.0) or
            current['availability'] < criteria.get('min_availability', 0.99)
        )
    
    def rollback(self, failure_injection):
        """Entferne die Fehlerinjektion"""
        print("Rolle die Fehlerinjektion zurück")
        # Die Implementierung hängt vom Fehlertyp ab
    
    def analyze_results(self, experiment):
        """Analysiere die Experimentergebnisse"""
        before = experiment.metrics_before
        during = experiment.metrics_during
        after = experiment.metrics_after
        
        print(f"\nExperimentergebnisse: {experiment.name}")
        print(f"Hypothese: {experiment.hypothesis}")
        print(f"\nMetriken:")
        print(f"  Vorher: {before}")
        print(f"  Während: {during}")
        print(f"  Nachher: {after}")
        
        # Stelle fest, ob die Hypothese validiert wurde
        hypothesis_validated = (
            during['availability'] >= experiment.rollback_criteria['min_availability']
        )
        
        return hypothesis_validated

# Beispiel-Experiment
experiment = ChaosExperiment(
    name="Datenbank-Failover-Test",
    hypothesis="Das System bleibt während des Datenbank-Failovers verfügbar",
    blast_radius=0.1,  # 10% des Traffics
    duration_seconds=300,  # 5 Minuten
    rollback_criteria={
        'max_error_rate': 0.05,
        'max_latency': 5.0,
        'min_availability': 0.99
    }
)

# Verwende tc (Traffic Control), um Latenz hinzuzufügen
tc qdisc add dev eth0 root netem delay 100ms 20ms

# Rollback
tc qdisc del dev eth0 root

# Kill random pods
kubectl delete pod -l app=myapp --random=1

# Verwende Chaos Mesh
kubectl apply -f - <<EOF
apiVersion: chaos-mesh.org/v1alpha1
kind: PodChaos
metadata:
  name: pod-failure
spec:
  action: pod-failure
  mode: one
  selector:
    namespaces:
      - production
    labelSelectors:
      app: myapp
  duration: "30s"
EOF

# CPU-Stress
stress-ng --cpu 4 --timeout 60s

# Speicher-Stress
stress-ng --vm 2 --vm-bytes 2G --timeout 60s

## Checkliste für den Incident Commander

### Sofortmaßnahmen
- [ ] Incident bestätigen
- [ ] Schweregrad beurteilen (SEV-1, SEV-2, SEV-3)
- [ ] Incident Channel erstellen (#incident-YYYY-MM-DD-NNN)
- [ ] Geeignete Teams benachrichtigen
- [ ] Rollen zuweisen:
  - [ ] Technische Leitung
  - [ ] Kommunikationsleitung
  - [ ] Protokollführer (Dokumentation der Zeitleiste)

### Schweregradbeurteilung
**SEV-1 (Kritisch):**
- Vollständiger Dienstausfall
- Datenverlust
- Sicherheitsverletzung
- > 50% der Benutzer betroffen

**SEV-2 (Hoch):**
- Teilweiser Ausfall
- Beeinträchtigte Performance
- 10-50% der Benutzer betroffen

**SEV-3 (Mittel):**
- Geringfügige Beeinträchtigung
- < 10% der Benutzer betroffen
- Workaround verfügbar

class IncidentCommander:
    def __init__(self, incident_id):
        self.incident_id = incident_id
        self.timeline = []
        self.status_updates = []
        self.action_items = []
    
    def coordinate_investigation(self):
        """Koordiniere die technische Untersuchung"""
        # Parallele Untersuchungsstränge
        tracks = {
            'recent_changes': self.check_recent_deployments(),
            'infrastructure': self.check_infrastructure_health(),
            'dependencies': self.check_external_dependencies(),
            'metrics': self.analyze_metrics_anomalies()
        }
        
        return tracks
    
    def make_decision(self, options, deadline_minutes=5):
        """Triff eine zeitlich begrenzte Entscheidung"""
        print(f"Entscheidung innerhalb von {deadline_minutes} Minuten erforderlich")
        print(f"Optionen: {options}")
        
        # Sammle Input von technischen Leitern
        # Triff eine Entscheidung basierend auf:
        # - Benutzer Auswirkungen
        # - Risiko jeder Option
        # - Zeit für die Implementierung
        # - Reversibilität
        
        return selected_option
    
    def communicate_status(self, interval_minutes=15):
        """Regelmäßige Statusaktualisierungen"""
        update = {
            'timestamp': datetime.now(),
            'status': self.get_current_status(),
            'impact': self.assess_user_impact(),
            'eta': self.estimate_resolution_time(),
            'next_update': datetime.now() + timedelta(minutes=interval_minutes)
        }
        
        # Sende an Stakeholder
        self.send_status_update(update)
        self.status_updates.append(update)
    
    def log_timeline_event(self, event, timestamp=None):
        """Dokumentiere die Incident-Zeitleiste"""
        self.timeline.append({
            'timestamp': timestamp or datetime.now(),
            'event': event,
            'logged_by': self.get_current_user()
        })

def evaluate_mitigation_options():
    """Bewerte und priorisiere Mitigation Optionen"""
    options = [
        {
            'action': 'Rollback Deployment',
            'time_to_implement': 5,  # Minuten
            'risk': 'low',
            'effectiveness': 'high',
            'reversible': True
        },
        {
            'action': 'Skaliere Ressourcen hoch',
            'time_to_implement': 2,
            'risk': 'low',
            'effectiveness': 'medium',
            'reversible': True
        },
        {
            'action': 'Deaktiviere Feature Flag',
            'time_to_implement': 1,
            'risk': 'low',
            'effectiveness': 'high',
            'reversible': True
        },
        {
            'action': 'Datenbank-Failover',
            'time_to_implement': 10,
            'risk': 'medium',
            'effectiveness': 'high',
            'reversible': False
        }
    ]
    
    # Sortiere nach: niedrigem Risiko, hoher Effektivität, schneller Implementierung
    sorted_options = sorted(
        options,
        key=lambda x: (
            x['risk'] == 'low',
            x['effectiveness'] == 'high',
            -x['time_to_implement']
        ),
        reverse=True
    )
    
    return sorted_options

# Incident Postmortem: API-Ausfall

**Datum:** 2024-11-25  
**Dauer:** 45 Minuten  
**Schweregrad:** SEV-1  
**Incident Commander:** Alice  
**Technische Leitung:** Bob

## Zusammenfassung
Vollständiger API-Ausfall, der alle Benutzer aufgrund von Erschöpfung des Datenbank-Verbindungspools betrifft.

## Auswirkungen
- **Betroffene Benutzer:** 100% (alle Benutzer)
- **Dauer:** 45 Minuten
- **Umsatzauswirkungen:** ~$50.000
- **SLO-Auswirkungen:** 75% des monatlichen Fehlerbudgets verbraucht

## Ursache
Der Datenbank-Verbindungspool ist aufgrund eines Verbindungslecks in einem neuen Feature erschöpft, das 2 Stunden vor dem Incident bereitgestellt wurde.

## Zeitleiste
| Zeit | Ereignis |
|------|-------|
| 14:00 | Bereitstellung von v2.5.0 |
| 15:45 | Erste Warnungen für erhöhte Latenz |
| 15:50 | Vollständiger API-Ausfall |
| 15:52 | Incident erklärt (SEV-1) |
| 15:55 | Datenbank als Engpass identifiziert |
| 16:05 | Entscheidung zum Rollback des Deployments |
| 16:15 | Rollback abgeschlossen |
| 16:20 | Dienst erholt sich |
| 16:35 | Vollständige Wiederherstellung bestätigt |

## Was gut gelaufen ist
- Schnelle Erkennung (5 Minuten ab dem ersten Symptom)
- Klare Incident Command Struktur
- Schnelle Entscheidung zum Rollback
- Gute Kommunikation mit Stakeholdern

## Was schief gelaufen ist
- Verbindungsleck nicht in Tests erkannt
- Keine Überwachung des Verbindungspools
- Bereitstellung während der Hauptverkehrszeiten

## Maßnahmen
| Aktion | Verantwortlicher | Fälligkeitsdatum | Status |
|--------|-------|----------|--------|
| Überwachung des Verbindungspools hinzufügen | Alice | 2024-12-01 | Offen |
| Implementiere Erkennung von Verbindungslecks in Tests | Bob | 2024-12-05 | Offen |
| Aktualisiere die Bereitstellungsrichtlinie (vermeide Hauptverkehrszeiten) | Charlie | 2024-11-30 | Offen |
| Füge einen Circuit Breaker für Datenbankverbindungen hinzu | David | 2024-12-10 | Offen |

## Erkenntnisse
- Überwachungslücken können kritische Probleme verbergen
- Das Timing der Bereitstellung ist wichtig
- Benötigen bessere Integrationstests für Ressourcenlecks

# Istio Beispiel: Circuit Breaking und Retries
apiVersion: networking.istio.io/v1beta1
kind: DestinationRule
metadata:
  name: api-service
spec:
  host: api-service
  trafficPolicy:
    connectionPool:
      tcp:
        maxConnections: 100
      http:
        http1MaxPendingRequests: 50
        http2MaxRequests: 100
        maxRequestsPerConnection: 2
    outlierDetection:
      consecutiveErrors: 5
      interval: 30s
      baseEjectionTime: 30s
      maxEjectionPercent: 50
      minHealthPercent: 40
    loadBalancer:
      simple: LEAST_REQUEST
---
apiVersion: networking.istio.io/v1beta1
kind: VirtualService
metadata:
  name: api-service
spec:
  hosts:
  - api-service
  http:
  - retries:
      attempts: 3
      perTryTimeout: 2s
      retryOn: 5xx,reset,connect-failure,refused-stream
    timeout: 10s
    route:
    - destination:
        host: api-service

from opentelemetry import trace
from opentelemetry.exporter.jaeger.thrift import JaegerExporter
from opentelemetry.sdk.trace import TracerProvider
from opentelemetry.sdk.trace.export import BatchSpanProcessor
from opentelemetry.instrumentation.requests import RequestsInstrumentor

# Tracing einrichten
trace.set_tracer_provider(TracerProvider())
jaeger_exporter = JaegerExporter(
    agent_host_name="jaeger",
    agent_port=6831,
)
trace.get_tracer_provider().add_span_processor(
    BatchSpanProcessor(jaeger_exporter)
)

# Instrumentiere die Requests-Bibliothek
RequestsInstrumentor().instrument()

# Verwendung im Code
tracer = trace.get_tracer(__name__)

def process_order(order_id):
    with tracer.start_as_current_span("process_order") as span:
        span.set_attribute("order.id", order_id)
        
        # Rufe den Payment Service auf
        with tracer.start_as_current_span("call_payment_service"):
            payment_result = call_payment_service(order_id)
        
        # Rufe den Inventory Service auf
        with tracer.start_as_current_span("call_inventory_service"):
            inventory_result = call_inventory_service(order_id)
        
        return combine_results(payment_result, inventory_result)

import asyncio
from asyncio import Semaphore

class BulkheadExecutor