Preguntas para Entrevistas de Ingeniero Senior de Confiabilidad del Sitio: Guía Completa

# Identificar recorridos críticos del usuario
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'
    }
}

# Especificación SLI
slis:
  availability:
    description: "Porcentaje de solicitudes exitosas"
    measurement: "count(http_status < 500) / count(http_requests)"
    
  latency:
    description: "Latencia de solicitud del percentil 95"
    measurement: "histogram_quantile(0.95, http_request_duration_seconds)"
    
  correctness:
    description: "Porcentaje de solicitudes que devuelven datos correctos"
    measurement: "count(validation_passed) / count(requests)"

def calculate_initial_slo(service_type, criticality):
    """
    Calcular el SLO inicial basado en las características del servicio
    """
    base_slos = {
        'critical': {
            'availability': 0.999,  # 99.9%
            'latency_p95': 1.0,     # 1 segundo
            'latency_p99': 2.0      # 2 segundos
        },
        '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'])

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

## Supuestos de SLO (inicial)

### Disponibilidad: 99.9%
- Supuestos: Fiabilidad estándar de la infraestructura en la nube
- Presupuesto de error: 43 minutos/mes
- Revisión: Después de 3 meses de datos

### Latencia (p95): < 1s
- Supuestos: Consultas de base de datos < 100ms
- Supuestos: Sin cálculos complejos
- Revisión: Si cambian los patrones de consulta

### Dependencias
- Disponibilidad de la API externa: 99.95%
- Disponibilidad de la base de datos: 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

# Definir niveles
tiers = {
    'premium': SLOTier(
        name='Premium',
        availability=0.9999,  # 99.99% - 4.3 min/mes
        latency_p95=0.5,
        latency_p99=1.0
    ),
    'standard': SLOTier(
        name='Standard',
        availability=0.999,   # 99.9% - 43 min/mes
        latency_p95=1.0,
        latency_p99=2.0
    ),
    'free': SLOTier(
        name='Free',
        availability=0.99,    # 99% - 7.2 horas/mes
        latency_p95=2.0,
        latency_p99=5.0
    )
}

# Enrutar solicitudes basadas en el nivel
def get_user_tier(user_id):
    # Buscar el nivel de suscripción del usuario
    return user_subscription_tier(user_id)

def apply_slo_policy(user_id, request):
    tier = get_user_tier(user_id)
    slo = tiers[tier]
    
    # Aplicar políticas específicas del nivel
    request.timeout = slo.latency_p99
    request.priority = tier  # Para la priorización de la cola
    request.retry_budget = calculate_retry_budget(slo.error_budget)
    
    return request

# Ejemplo de Kubernetes: implementaciones separadas por nivel
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"

# Disponibilidad por nivel
sum(rate(http_requests_total{status!~"5.."}[5m])) by (tier)
/
sum(rate(http_requests_total[5m])) by (tier)

# Latencia por nivel
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):
        """Analizar las tendencias históricas"""
        metric_data = self.data[metric_name].tail(days * 24)  # Datos por hora
        
        # Calcular la tasa de crecimiento
        start_value = metric_data.iloc[0]
        end_value = metric_data.iloc[-1]
        growth_rate = ((end_value - start_value) / start_value) * 100
        
        # Identificar el uso máximo
        peak_value = metric_data.max()
        peak_time = metric_data.idxmax()
        
        # Calcular los percentiles
        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):
        """Pronosticar las necesidades futuras de capacidad"""
        # Preparar los datos
        df = self.data[[metric_name]].reset_index()
        df['days'] = (df.index / 24).astype(int)  # Convertir horas a días
        
        # Entrenar el modelo
        X = df[['days']].values
        y = df[metric_name].values
        
        model = LinearRegression()
        model.fit(X, y)
        
        # Pronosticar
        future_days = np.array([[df['days'].max() + (30 * months_ahead)]])
        forecast = model.predict(future_days)[0]
        
        # Añadir margen de seguridad (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):
        """Calcular las instancias requeridas"""
        # Capacidad base
        base_instances = np.ceil(requests_per_second / requests_per_instance)
        
        # Añadir margen de maniobra para picos y mantenimiento
        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)
        }

# Ejemplo de uso
metrics = {
    'requests_per_second': [100, 105, 110, 115, 120, ...],  # Datos históricos
    'cpu_usage': [45, 48, 50, 52, 55, ...],
    'memory_usage': [60, 62, 65, 67, 70, ...]
}

planner = CapacityPlanner(metrics)

# Analizar las tendencias
trends = planner.analyze_trends('requests_per_second', days=30)
print(f"Tasa de crecimiento: {trends['growth_rate']:.2f}%")
print(f"RPS máximo: {trends['peak_value']}")

# Pronosticar la capacidad
forecast = planner.forecast_capacity('requests_per_second', months_ahead=3)
print(f"RPS pronosticado en 3 meses: {forecast['forecast']:.0f}")
print(f"Con margen de seguridad: {forecast['with_margin']:.0f}")

# Calcular las necesidades de recursos
resources = planner.calculate_resource_needs(
    requests_per_second=forecast['with_margin'],
    requests_per_instance=100,
    headroom=0.3
)
print(f"Instancias requeridas: {resources['total_instances']}")

def optimize_instance_mix(workload_profile):
    """
    Optimizar los tipos de instancia para el costo
    """
    # Mezcla de tipos de instancia
    instance_types = {
        'on_demand': {
            'cost_per_hour': 0.10,
            'reliability': 1.0,
            'percentage': 0.3  # 30% bajo demanda para la línea de base
        },
        'spot': {
            'cost_per_hour': 0.03,
            'reliability': 0.95,
            'percentage': 0.5  # 50% spot para ahorrar costos
        },
        'reserved': {
            'cost_per_hour': 0.06,
            'reliability': 1.0,
            'percentage': 0.2  # 20% reservado para carga predecible
        }
    }
    
    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

# Marco de experimento de caos
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  # Porcentaje de tráfico afectado
    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):
        """Ejecutar experimento de caos con comprobaciones de seguridad"""
        print(f"Comenzando el experimento: {experiment.name}")
        
        # 1. Medir la línea de base
        experiment.metrics_before = self.measure_metrics()
        print(f"Métricas de línea de base: {experiment.metrics_before}")
        
        # 2. Verificar que el sistema esté sano
        if not self.is_system_healthy(experiment.metrics_before):
            print("Sistema no sano, abortando el experimento")
            return False
        
        # 3. Inyectar falla
        experiment.status = ExperimentStatus.RUNNING
        failure_injection = self.inject_failure(experiment)
        
        try:
            # 4. Monitorear durante el experimento
            start_time = time.time()
            while time.time() - start_time < experiment.duration_seconds:
                experiment.metrics_during = self.measure_metrics()
                
                # Comprobar los criterios de reversión
                if self.should_rollback(experiment):
                    print("Criterios de reversión cumplidos, deteniendo el experimento")
                    self.rollback(failure_injection)
                    experiment.status = ExperimentStatus.ABORTED
                    return False
                
                time.sleep(10)  # Comprobar cada 10 segundos
            
            # 5. Revertir la inyección de falla
            self.rollback(failure_injection)
            
            # 6. Medir la recuperación
            time.sleep(60)  # Esperar a que el sistema se estabilice
            experiment.metrics_after = self.measure_metrics()
            
            # 7. Analizar los resultados
            experiment.status = ExperimentStatus.COMPLETED
            return self.analyze_results(experiment)
            
        except Exception as e:
            print(f"Experimento fallido: {e}")
            self.rollback(failure_injection)
            experiment.status = ExperimentStatus.ABORTED
            return False
    
    def inject_failure(self, experiment):
        """Inyectar un tipo de falla específico"""
        # La implementación depende del tipo de falla
        pass
    
    def measure_metrics(self):
        """Medir las métricas clave del sistema"""
        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):
        """Comprobar si el sistema cumple con los SLO"""
        return (
            metrics['error_rate'] < 0.01 and  # < 1% de errores
            metrics['latency_p95'] < 1.0 and  # < 1s de latencia
            metrics['availability'] > 0.999   # > 99.9% disponible
        )
    
    def should_rollback(self, experiment):
        """Comprobar si el experimento debe ser abortado"""
        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):
        """Eliminar la inyección de falla"""
        print("Revirtiendo la inyección de falla")
        # La implementación depende del tipo de falla
    
    def analyze_results(self, experiment):
        """Analizar los resultados del experimento"""
        before = experiment.metrics_before
        during = experiment.metrics_during
        after = experiment.metrics_after
        
        print(f"\nResultados del experimento: {experiment.name}")
        print(f"Hipótesis: {experiment.hypothesis}")
        print(f"\nMétricas:")
        print(f"  Antes: {before}")
        print(f"  Durante: {during}")
        print(f"  Después: {after}")
        
        # Determinar si la hipótesis fue validada
        hypothesis_validated = (
            during['availability'] >= experiment.rollback_criteria['min_availability']
        )
        
        return hypothesis_validated

# Ejemplo de experimento
experiment = ChaosExperiment(
    name="Prueba de conmutación por error de la base de datos",
    hypothesis="El sistema permanece disponible durante la conmutación por error de la base de datos",
    blast_radius=0.1,  # 10% del tráfico
    duration_seconds=300,  # 5 minutos
    rollback_criteria={
        'max_error_rate': 0.05,
        'max_latency': 5.0,
        'min_availability': 0.99
    }
)

# Usando tc (control de tráfico) para agregar latencia
tc qdisc add dev eth0 root netem delay 100ms 20ms

# Revertir
tc qdisc del dev eth0 root

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

# Usando 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

# Estrés de CPU
stress-ng --cpu 4 --timeout 60s

# Estrés de memoria
stress-ng --vm 2 --vm-bytes 2G --timeout 60s

## Lista de Verificación del Comandante del Incidente

### Acciones Inmediatas
- [ ] Reconocer el incidente
- [ ] Evaluar la gravedad (SEV-1, SEV-2, SEV-3)
- [ ] Crear un canal de incidentes (#incident-AAAA-MM-DD-NNN)
- [ ] Notificar a los equipos apropiados
- [ ] Designar roles:
  - [ ] Líder Técnico
  - [ ] Líder de Comunicaciones
  - [ ] Escriba (documentar la línea de tiempo)

### Evaluación de la Gravedad
**SEV-1 (Crítico):**
- Interrupción completa del servicio
- Pérdida de datos
- Brecha de seguridad
- > 50% de usuarios afectados

**SEV-2 (Alto):**
- Interrupción parcial
- Rendimiento degradado
- 10-50% de usuarios afectados

**SEV-3 (Medio):**
- Degradación menor
- < 10% de usuarios afectados
- Solución alternativa disponible

class IncidentCommander:
    def __init__(self, incident_id):
        self.incident_id = incident_id
        self.timeline = []
        self.status_updates = []
        self.action_items = []
    
    def coordinate_investigation(self):
        """Coordinar la investigación técnica"""
        # Pistas de investigación paralelas
        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):
        """Tomar una decisión con límite de tiempo"""
        print(f"Se necesita una decisión en {deadline_minutes} minutos")
        print(f"Opciones: {options}")
        
        # Recopilar información de los líderes técnicos
        # Tomar una decisión basada en:
        # - Impacto en el usuario
        # - Riesgo de cada opción
        # - Tiempo para implementar
        # - Reversibilidad
        
        return selected_option
    
    def communicate_status(self, interval_minutes=15):
        """Actualizaciones de estado regulares"""
        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)
        }
        
        # Enviar a las partes interesadas
        self.send_status_update(update)
        self.status_updates.append(update)
    
    def log_timeline_event(self, event, timestamp=None):
        """Documentar la línea de tiempo del incidente"""
        self.timeline.append({
            'timestamp': timestamp or datetime.now(),
            'event': event,
            'logged_by': self.get_current_user()
        })

def evaluate_mitigation_options():
    """Evaluar y priorizar las opciones de mitigación"""
    options = [
        {
            'action': 'Revertir la implementación',
            'time_to_implement': 5,  # minutos
            'risk': 'low',
            'effectiveness': 'high',
            'reversible': True
        },
        {
            'action': 'Escalar los recursos',
            'time_to_implement': 2,
            'risk': 'low',
            'effectiveness': 'medium',
            'reversible': True
        },
        {
            'action': 'Desactivar el indicador de característica',
            'time_to_implement': 1,
            'risk': 'low',
            'effectiveness': 'high',
            'reversible': True
        },
        {
            'action': 'Conmutación por error de la base de datos',
            'time_to_implement': 10,
            'risk': 'medium',
            'effectiveness': 'high',
            'reversible': False
        }
    ]
    
    # Ordenar por: bajo riesgo, alta eficacia, implementación rápida
    sorted_options = sorted(
        options,
        key=lambda x: (
            x['risk'] == 'low',
            x['effectiveness'] == 'high',
            -x['time_to_implement']
        ),
        reverse=True
    )
    
    return sorted_options

# Post Mortem del Incidente: Interrupción de la API

**Fecha:** 2024-11-25
**Duración:** 45 minutos
**Gravedad:** SEV-1
**Comandante del Incidente:** Alice
**Líder Técnico:** Bob

## Resumen Ejecutivo
Interrupción completa de la API que afecta a todos los usuarios debido al agotamiento del grupo de conexiones de la base de datos.

## Impacto
- **Usuarios afectados:** 100% (todos los usuarios)
- **Duración:** 45 minutos
- **Impacto en los ingresos:** ~$50,000
- **Impacto en el SLO:** Consumió el 75% del presupuesto de error mensual

## Causa Raíz
Grupo de conexiones de la base de datos agotado debido a una fuga de conexión en una nueva característica implementada 2 horas antes del incidente.

## Línea de Tiempo
| Hora | Evento |
|------|-------|
| 14:00 | Implementación de v2.5.0 |
| 15:45 | Primeras alertas de aumento de la latencia |
| 15:50 | Interrupción completa de la API |
| 15:52 | Incidente declarado (SEV-1) |
| 15:55 | Identificada la base de datos como cuello de botella |
| 16:05 | Decisión de revertir la implementación |
| 16:15 | Reversión completada |
| 16:20 | Servicio recuperándose |
| 16:35 | Recuperación completa confirmada |

## Lo Que Salió Bien
- Detección rápida (5 minutos desde el primer síntoma)
- Estructura de comando de incidentes clara
- Decisión rápida de revertir
- Buena comunicación con las partes interesadas

## Lo Que Salió Mal
- Fuga de conexión no detectada en las pruebas
- Sin monitoreo del grupo de conexiones
- Implementación durante las horas pico

## Elementos de Acción
| Acción | Propietario | Fecha de Vencimiento | Estado |
|--------|-------|----------|--------|
| Agregar monitoreo del grupo de conexiones | Alice | 2024-12-01 | Abierto |
| Implementar la detección de fugas de conexión en las pruebas | Bob | 2024-12-05 | Abierto |
| Actualizar la política de implementación (evitar las horas pico) | Charlie | 2024-11-30 | Abierto |
| Agregar un interruptor de circuito para las conexiones de la base de datos | David | 2024-12-10 | Abierto |

## Lecciones Aprendidas
- Las brechas de monitoreo pueden ocultar problemas críticos
- El momento de la implementación importa
- Necesidad de mejores pruebas de integración para fugas de recursos

# Ejemplo de Istio: Interrupción de circuito y reintentos
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

# Configurar el rastreo
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)
)

# Instrumentar la biblioteca de solicitudes
RequestsInstrumentor().instrument()

# Usar en el código
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)
        
        # Llamar al servicio de pago
        with tracer.start_as_current_span("call_payment_service"):
            payment_result = call_payment_service(order_id)
        
        # Llamar al servicio de inventario
        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:
    def __init__(self, max_concurrent=10):
        self.semaphore = Semaphore(