Domande per il Colloquio di Junior Site Reliability Engineer: Guida Completa

# Esempio di calcolo SLI/SLO
def calculate_error_budget(total_requests, failed_requests, slo_target=0.999):
    """
    Calcola il consumo del budget di errore
    
    SLO: tasso di successo del 99,9%
    Budget di errore: 0,1% di errori consentiti
    """
    success_rate = (total_requests - failed_requests) / total_requests
    error_rate = failed_requests / total_requests
    
    # Budget di errore: quanto dell'0,1% consentito abbiamo utilizzato
    allowed_errors = total_requests * (1 - slo_target)
    budget_consumed = (failed_requests / allowed_errors) * 100
    
    return {
        'success_rate': success_rate,
        'error_rate': error_rate,
        'slo_target': slo_target,
        'slo_met': success_rate >= slo_target,
        'error_budget_consumed': budget_consumed,
        'remaining_budget': max(0, 100 - budget_consumed)
    }

# Esempio
result = calculate_error_budget(
    total_requests=1000000,
    failed_requests=500,  # 0,05% tasso di errore
    slo_target=0.999
)

print(f"Tasso di successo: {result['success_rate']:.4%}")
print(f"SLO raggiunto: {result['slo_met']}")
print(f"Budget di errore consumato: {result['error_budget_consumed']:.1f}%")

# Esempio: automatizza il riavvio del servizio
#!/bin/bash
# auto-restart-service.sh

SERVICE_NAME="myapp"
MAX_RETRIES=3
RETRY_DELAY=5

check_service() {
    systemctl is-active --quiet $SERVICE_NAME
    return $?
}

restart_service() {
    echo "$(date): Riavvio di $SERVICE_NAME"
    systemctl restart $SERVICE_NAME
    
    # Attendi che il servizio si stabilizzi
    sleep $RETRY_DELAY
    
    if check_service; then
        echo "$(date): $SERVICE_NAME riavviato con successo"
        # Invia notifica
        curl -X POST https://alerts.company.com/webhook \
          -d "{\"message\": \"$SERVICE_NAME auto-riavviato\"}"
        return 0
    else
        return 1
    fi
}

# Logica principale
if ! check_service; then
    echo "$(date): $SERVICE_NAME è inattivo"
    
    for i in $(seq 1 $MAX_RETRIES); do
        echo "Tentativo $i di $MAX_RETRIES"
        if restart_service; then
            exit 0
        fi
        sleep $RETRY_DELAY
    done
    
    # Tutti i tentativi falliti - escalation
    echo "$(date): Impossibile riavviare $SERVICE_NAME dopo $MAX_RETRIES tentativi"
    curl -X POST https://pagerduty.com/api/incidents \
      -d "{\"service\": \"$SERVICE_NAME\", \"severity\": \"critical\"}"
    exit 1
fi

# Configurazione di scraping di Prometheus
scrape_configs:
  - job_name: 'api-server'
    static_configs:
      - targets: ['localhost:8080']
    metrics_path: '/metrics'
    scrape_interval: 15s

# Errato: avvisa sull'utilizzo elevato della CPU
- alert: HighCPU
  expr: cpu_usage > 80
  
# Corretto: avvisa sull'impatto sull'utente
- alert: HighLatency
  expr: http_request_duration_seconds{quantile="0.95"} > 1
  for: 5m
  annotations:
    summary: "La latenza dell'API è alta"
    description: "Il 95° percentile della latenza è {{ $value }}s"

- alert: DatabaseConnectionPoolExhausted
  expr: db_connection_pool_active / db_connection_pool_max > 0.9
  for: 5m
  labels:
    severity: warning
  annotations:
    summary: "Il pool di connessioni al database è quasi esaurito"
    runbook: "https://wiki.company.com/runbooks/db-connections"

# Degno di una chiamata (sveglia qualcuno)
- alert: ServiceDown
  expr: up{job="api"} == 0
  for: 1m
  labels:
    severity: critical
    
# Degno di un ticket (gestisci durante l'orario di lavoro)
- alert: DiskSpaceWarning
  expr: disk_free_percent < 20
  for: 30m
  labels:
    severity: warning

# Checklist di valutazione rapida
- Qual è l'impatto sull'utente?
- Quanti utenti sono interessati?
- Quali servizi sono interessati?
- Sta peggiorando?

# Strategie comuni di mitigazione
- Rollback dell'implementazione recente
- Scalabilità delle risorse
- Disabilita la funzionalità problematica
- Failover al sistema di backup
- Limita la frequenza del traffico

# Modello di Postmortem dell'Incidente

## Riepilogo
Breve descrizione di cosa è successo

## Impatto
- Durata: 2024-11-25 10:00 - 10:45 UTC (45 minuti)
- Utenti interessati: ~10.000 (5% del totale)
- Servizi interessati: API, Web Frontend

## Causa Principale
Il pool di connessioni al database è esaurito a causa di query lente

## Cronologia
- 10:00: Si attiva un avviso per l'alta latenza dell'API
- 10:05: L'ingegnere di turno riconosce
- 10:10: Identificato il database come collo di bottiglia
- 10:15: Aumentata la dimensione del pool di connessioni (mitigazione)
- 10:30: Identificate e interrotte le query lente
- 10:45: Servizio completamente ripristinato

## Risoluzione
- Immediata: Aumentato il pool di connessioni da 100 a 200
- A breve termine: Aggiunto timeout della query (30 secondi)
- A lungo termine: Ottimizza le query lente, aggiungi il monitoraggio delle query

## Elementi di Azione
- [ ] Aggiungi avviso per le query lente (Proprietario: Alice, Scadenza: 2024-12-01)
- [ ] Implementa il timeout della query nell'applicazione (Proprietario: Bob, Scadenza: 2024-12-05)
- [ ] Rivedi e ottimizza le 10 query più lente (Proprietario: Charlie, Scadenza: 2024-12-10)

## Lezioni Apprese
- Il monitoraggio del pool di connessioni era insufficiente
- Il degrado delle prestazioni delle query è passato inosservato

# 1. Verifica il problema
curl -w "@curl-format.txt" -o /dev/null -s https://api.example.com/health

# curl-format.txt:
#     time_namelookup:  %{time_namelookup}s\n
#        time_connect:  %{time_connect}s\n
#     time_appconnect:  %{time_appconnect}s\n
#    time_pretransfer:  %{time_pretransfer}s\n
#       time_redirect:  %{time_redirect}s\n
#  time_starttransfer:  %{time_starttransfer}s\n
#                     ----------\n
#          time_total:  %{time_total}s\n

# 2. Controlla le metriche dell'applicazione
# - Frequenza delle richieste (picco improvviso?)
# - Tasso di errore (errori che causano tentativi?)
# - Utilizzo delle risorse (CPU, memoria)

# 3. Controlla le dipendenze
# - Tempo di query del database
# - Chiamate API esterne
# - Tasso di hit della cache

# 4. Controlla l'infrastruttura
top  # Utilizzo della CPU
free -h  # Memoria
iostat  # I/O del disco
netstat -s  # Statistiche di rete

# 5. Controlla i log per gli errori
tail -f /var/log/app/error.log | grep -i "timeout\|slow\|error"

# 6. Profila l'applicazione
# Esempio Python
import cProfile
cProfile.run('my_function()')

# 7. Controlla il database
# Log delle query lente
SELECT * FROM mysql.slow_log ORDER BY query_time DESC LIMIT 10;

# Query attive
SELECT pid, query, state, query_start 
FROM pg_stat_activity 
WHERE state = 'active';

#!/usr/bin/env python3
"""
Controllo dello stato del servizio con capacità di riavvio automatico
"""
import requests
import subprocess
import time
import sys
from datetime import datetime

class ServiceMonitor:
    def __init__(self, service_name, health_url, max_retries=3):
        self.service_name = service_name
        self.health_url = health_url
        self.max_retries = max_retries
    
    def check_health(self):
        """Verifica se il servizio è integro"""
        try:
            response = requests.get(
                self.health_url,
                timeout=5
            )
            return response.status_code == 200
        except requests.exceptions.RequestException as e:
            print(f"{datetime.now()}: Controllo dello stato fallito: {e}")
            return False
    
    def restart_service(self):
        """Riavvia il servizio usando systemctl"""
        try:
            print(f"{datetime.now()}: Riavvio di {self.service_name}")
            subprocess.run(
                ['systemctl', 'restart', self.service_name],
                check=True,
                capture_output=True
            )
            time.sleep(10)  # Attendi che il servizio si avvii
            return True
        except subprocess.CalledProcessError as e:
            print(f"{datetime.now()}: Riavvio fallito: {e.stderr}")
            return False
    
    def send_alert(self, message, severity='warning'):
        """Invia un avviso al sistema di monitoraggio"""
        try:
            requests.post(
                'https://alerts.company.com/webhook',
                json={
                    'service': self.service_name,
                    'message': message,
                    'severity': severity,
                    'timestamp': datetime.now().isoformat()
                },
                timeout=5
            )
        except Exception as e:
            print(f"Impossibile inviare l'avviso: {e}")
    
    def monitor(self):
        """Ciclo di monitoraggio principale"""
        if self.check_health():
            print(f"{datetime.now()}: {self.service_name} è integro")
            return 0
        
        print(f"{datetime.now()}: {self.service_name} non è integro")
        self.send_alert(f"{self.service_name} è inattivo", severity='warning')
        
        # Tentativo di riavvio
        for attempt in range(1, self.max_retries + 1):
            print(f"Tentativo di riavvio {attempt}/{self.max_retries}")
            
            if self.restart_service() and self.check_health():
                print(f"{datetime.now()}: Servizio ripristinato")
                self.send_alert(
                    f"{self.service_name} auto-ripristinato dopo il riavvio",
                    severity='info'
                )
                return 0
            
            time.sleep(5)
        
        # Tutti i tentativi falliti
        print(f"{datetime.now()}: Impossibile ripristinare il servizio")
        self.send_alert(
            f"{self.service_name} non è stato ripristinato dopo {self.max_retries} tentativi",
            severity='critical'
        )
        return 1

if __name__ == '__main__':
    monitor = ServiceMonitor(
        service_name='myapp',
        health_url='http://localhost:8080/health'
    )
    sys.exit(monitor.monitor())

# Runbook: Alta latenza dell'API

## Sintomi
- Latenza del 95° percentile dell'API > 1 secondo
- Reclami degli utenti per caricamenti lenti delle pagine
- Avviso: "HighAPILatency" in corso

## Gravità
**Avviso** - Degrada l'esperienza utente ma il servizio è funzionale

## Fasi di Investigazione

### 1. Controlla le metriche correnti
```bash
# Controlla la distribuzione della latenza
curl -s http://prometheus:9090/api/v1/query?query='histogram_quantile(0.95, rate(http_request_duration_seconds_bucket[5m]))'

# Controlla la frequenza delle richieste
curl -s http://prometheus:9090/api/v1/query?query='rate(http_requests_total[5m])'

# Connessioni al database
mysql -e "SHOW PROCESSLIST;"

# Latenza di Redis
redis-cli --latency

# API esterne
curl -w "%{time_total}\n" -o /dev/null -s https://external-api.com/health

kubectl scale deployment api --replicas=10

redis-cli CONFIG SET maxmemory-policy allkeys-lru

kubectl rollout undo deployment/api

kubectl apply -f rate-limit-config.yaml

from enum import Enum
import time

class CircuitState(Enum):
    CLOSED = "closed"  # Funzionamento normale
    OPEN = "open"      # Fallisce, rifiuta le richieste
    HALF_OPEN = "half_open"  # Verifica il ripristino

class CircuitBreaker:
    def __init__(self, failure_threshold=5, timeout=60):
        self.failure_threshold = failure_threshold
        self.timeout = timeout
        self.failures = 0
        self.last_failure_time = None
        self.state = CircuitState.CLOSED
    
    def call(self, func, *args, **kwargs):
        if self.state == CircuitState.OPEN:
            if time.time() - self.last_failure_time > self.timeout:
                self.state = CircuitState.HALF_OPEN
            else:
                # Restituisci il fallback invece di chiamare il servizio in errore
                return self.fallback()
        
        try:
            result = func(*args, **kwargs)
            self.on_success()
            return result
        except Exception as e:
            self.on_failure()
            return self.fallback()
    
    def on_success(self):
        self.failures = 0
        self.state = CircuitState.CLOSED
    
    def on_failure(self):
        self.failures += 1
        self.last_failure_time = time.time()
        if self.failures >= self.failure_threshold:
            self.state = CircuitState.OPEN
    
    def fallback(self):
        # Restituisci dati memorizzati nella cache o risposta predefinita
        return {"status": "degraded", "data": []}

# Utilizzo
breaker = CircuitBreaker()
result = breaker.call(external_api_call, user_id=123)

import requests
from requests.adapters import HTTPAdapter
from requests.packages.urllib3.util.retry import Retry

def create_resilient_session():
    session = requests.Session()
    
    # Strategia di tentativo
    retry = Retry(
        total=3,
        backoff_factor=0.3,
        status_forcelist=[500, 502, 503, 504]
    )
    
    adapter = HTTPAdapter(max_retries=retry)
    session.mount('http://', adapter)
    session.mount('https://', adapter)
    
    return session

# Utilizzo con timeout
session = create_resilient_session()
try:
    response = session.get('https://api.example.com/data', timeout=5)
except requests.exceptions.Timeout:
    # Degrada in modo controllato - usa i dati memorizzati nella cache
    response = get_cached_data()

# Pull di un'immagine
docker pull nginx:latest

# Esegui un container
docker run -d \
  --name my-nginx \
  -p 8080:80 \
  nginx:latest

# Elenca i container in esecuzione
docker ps

# Visualizza i log
docker logs my-nginx

# Esegui un comando nel container
docker exec -it my-nginx bash

# Arresta il container
docker stop my-nginx

# Rimuovi il container
docker rm my-nginx

# Immagine di base
FROM python:3.9-slim

# Imposta la directory di lavoro
WORKDIR /app

# Copia i requisiti
COPY requirements.txt .

# Installa le dipendenze
RUN pip install --no-cache-dir -r requirements.txt

# Copia il codice dell'applicazione
COPY . .

# Espone la porta
EXPOSE 8000

# Controllo dello stato
HEALTHCHECK --interval=30s --timeout=3s \
  CMD curl -f http://localhost:8000/health || exit 1

# Esegui l'applicazione
CMD ["python", "app.py"]

# Costruisci l'immagine
docker build -t myapp:1.0 .

# Esegui con variabili d'ambiente
docker run -d \
  --name myapp \
  -p 8000:8000 \
  -e DATABASE_URL=postgres://db:5432/mydb \
  -e LOG_LEVEL=info \
  myapp:1.0

# Visualizza l'utilizzo delle risorse
docker stats myapp

version: '3.8'

services:
  web:
    build: .
    ports:
      - "8000:8000"
    environment:
      - DATABASE_URL=postgresql://db:5432/mydb
    depends_on:
      - db
      - redis
    restart: unless-stopped
  
  db:
    image: postgres:14
    environment:
      - POSTGRES_DB=mydb
      - POSTGRES_PASSWORD=secret
    volumes:
      - postgres_data:/var/lib/postgresql/data
  
  redis:
    image: redis:7-alpine
    ports:
      - "6379:6379"

volumes:
  postgres_data:

# Avvia tutti i servizi
docker-compose up -d

# Visualizza i log
docker-compose logs -f web

# Scala il servizio
docker-compose up -d --scale web=3

# Arresta tutti i servizi
docker-compose down

# Clona il repository
git clone https://github.com/company/repo.git
cd repo

# Crea un branch di feature
git checkout -b feature/add-monitoring

# Apporta modifiche ed esegui il commit
git add .
git commit -m "Aggiungi il monitoraggio di Prometheus"

# Esegui il push sul remote
git push origin feature/add-monitoring

# Aggiorna da main
git checkout main
git pull origin main
git checkout feature/add-monitoring
git rebase main

# Unisci la feature (dopo l'approvazione del PR)
git checkout main
git merge feature/add-monitoring
git push origin main

# Branch di feature di breve durata
git checkout -b feature/quick-fix
# Lavora per < 1 giorno
git push origin feature/quick-fix
# Unisci a main immediatamente dopo la revisione

name: Deploy to Production

on:
  push:
    branches: [main]

jobs:
  test:
    runs-on: ubuntu-latest
    steps:
      - uses: actions/checkout@v3
      
      - name: Run tests
        run: |
          npm install
          npm test
      
      - name: Run linting
        run: npm run lint
  
  build:
    needs: test
    runs-on: ubuntu-latest
    steps:
      - uses: