Вопросы для собеседования на должность младшего Site Reliability Engineer: Полное руководство

# Пример расчета SLI/SLO
def calculate_error_budget(total_requests, failed_requests, slo_target=0.999):
    """
    Рассчитать потребление бюджета ошибок
    
    SLO: 99.9% успешных запросов
    Бюджет ошибок: 0.1% допустимых отказов
    """
    success_rate = (total_requests - failed_requests) / total_requests
    error_rate = failed_requests / total_requests
    
    # Бюджет ошибок: сколько из допустимых 0.1% мы использовали
    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)
    }

# Пример
result = calculate_error_budget(
    total_requests=1000000,
    failed_requests=500,  # 0.05% частота ошибок
    slo_target=0.999
)

print(f"Успешность: {result['success_rate']:.4%}")
print(f"SLO достигнут: {result['slo_met']}")
print(f"Потребленный бюджет ошибок: {result['error_budget_consumed']:.1f}%")

# Пример: Автоматизировать перезапуск сервиса
#!/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): Перезапуск $SERVICE_NAME"
    systemctl restart $SERVICE_NAME
    
    # Ждем, пока сервис стабилизируется
    sleep $RETRY_DELAY
    
    if check_service; then
        echo "$(date): $SERVICE_NAME успешно перезапущен"
        # Отправляем уведомление
        curl -X POST https://alerts.company.com/webhook \
          -d "{\"message\": \"$SERVICE_NAME автоматически перезапущен\"}"
        return 0
    else
        return 1
    fi
}

# Основная логика
if ! check_service; then
    echo "$(date): $SERVICE_NAME не работает"
    
    for i in $(seq 1 $MAX_RETRIES); do
        echo "Попытка $i из $MAX_RETRIES"
        if restart_service; then
            exit 0
        fi
        sleep $RETRY_DELAY
    done
    
    # Все попытки не удались - эскалируем
    echo "$(date): Не удалось перезапустить $SERVICE_NAME после $MAX_RETRIES попыток"
    curl -X POST https://pagerduty.com/api/incidents \
      -d "{\"service\": \"$SERVICE_NAME\", \"severity\": \"critical\"}"
    exit 1
fi

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

# Плохо: Оповещение о высокой загрузке ЦП
- alert: HighCPU
  expr: cpu_usage > 80
  
# Хорошо: Оповещение о влиянии на пользователя
- alert: HighLatency
  expr: http_request_duration_seconds{quantile="0.95"} > 1
  for: 5m
  annotations:
    summary: "Задержка API высокая"
    description: "95-й процентиль задержки составляет {{ $value }}с"

- alert: DatabaseConnectionPoolExhausted
  expr: db_connection_pool_active / db_connection_pool_max > 0.9
  for: 5m
  labels:
    severity: warning
  annotations:
    summary: "Пул подключений к базе данных почти исчерпан"
    runbook: "https://wiki.company.com/runbooks/db-connections"

# Заслуживает пейджинга (будит кого-то)
- alert: ServiceDown
  expr: up{job="api"} == 0
  for: 1m
  labels:
    severity: critical
    
# Заслуживает тикета (обработка в рабочее время)
- alert: DiskSpaceWarning
  expr: disk_free_percent < 20
  for: 30m
  labels:
    severity: warning

# Чек-лист быстрой оценки
- Каково влияние на пользователя?
- Сколько пользователей затронуто?
- Какие сервисы затронуты?
- Становится ли хуже?

# Общие стратегии смягчения
- Откат недавнего развертывания
- Масштабирование ресурсов
- Отключение проблемной функции
- Переключение на резервную систему
- Ограничение скорости трафика

# Шаблон посмертного анализа инцидента

## Краткое содержание
Краткое описание того, что произошло

## Влияние
- Продолжительность: 2024-11-25 10:00 - 10:45 UTC (45 минут)
- Затронутые пользователи: ~10 000 (5% от общего числа)
- Затронутые сервисы: API, Web Frontend

## Первопричина
Пул подключений к базе данных исчерпан из-за медленных запросов

## Хронология
- 10:00: Сработало оповещение о высокой задержке API
- 10:05: Инженер на дежурстве подтвердил
- 10:10: База данных определена как узкое место
- 10:15: Увеличен размер пула подключений (смягчение)
- 10:30: Определены и убиты медленные запросы
- 10:45: Сервис полностью восстановлен

## Разрешение
- Немедленное: Увеличен пул подключений со 100 до 200
- Краткосрочное: Добавлен таймаут запроса (30 с)
- Долгосрочное: Оптимизировать медленные запросы, добавить мониторинг запросов

## Элементы действий
- [ ] Добавить оповещение для медленных запросов (Владелец: Алиса, Срок: 2024-12-01)
- [ ] Реализовать таймаут запроса в приложении (Владелец: Боб, Срок: 2024-12-05)
- [ ] Просмотреть и оптимизировать 10 самых медленных запросов (Владелец: Чарли, Срок: 2024-12-10)

## Извлеченные уроки
- Мониторинг пула подключений был недостаточным
- Ухудшение производительности запросов осталось незамеченным

# 1. Проверяем проблему
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. Проверяем метрики приложения
# - Частота запросов (внезапный скачок?)
# - Частота ошибок (ошибки, вызывающие повторные попытки?)
# - Использование ресурсов (ЦП, память)

# 3. Проверяем зависимости
# - Время запроса к базе данных
# - Вызовы внешних API
# - Частота попадания в кеш

# 4. Проверяем инфраструктуру
top  # Использование ЦП
free -h  # Память
iostat  # Дисковый ввод-вывод
netstat -s  # Сетевая статистика

# 5. Проверяем журналы на наличие ошибок
tail -f /var/log/app/error.log | grep -i "timeout\|slow\|error"

# 6. Профилируем приложение
# Пример Python
import cProfile
cProfile.run('my_function()')

# 7. Проверяем базу данных
# Журнал медленных запросов
SELECT * FROM mysql.slow_log ORDER BY query_time DESC LIMIT 10;

# Активные запросы
SELECT pid, query, state, query_start 
FROM pg_stat_activity 
WHERE state = 'active';

#!/usr/bin/env python3
"""
Проверка работоспособности сервиса с возможностью автоматического перезапуска
"""
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):
        """Проверяем, работоспособен ли сервис"""
        try:
            response = requests.get(
                self.health_url,
                timeout=5
            )
            return response.status_code == 200
        except requests.exceptions.RequestException as e:
            print(f"{datetime.now()}: Проверка работоспособности не удалась: {e}")
            return False
    
    def restart_service(self):
        """Перезапускаем сервис с помощью systemctl"""
        try:
            print(f"{datetime.now()}: Перезапуск {self.service_name}")
            subprocess.run(
                ['systemctl', 'restart', self.service_name],
                check=True,
                capture_output=True
            )
            time.sleep(10)  # Ждем, пока сервис запустится
            return True
        except subprocess.CalledProcessError as e:
            print(f"{datetime.now()}: Перезапуск не удался: {e.stderr}")
            return False
    
    def send_alert(self, message, severity='warning'):
        """Отправляем оповещение в систему мониторинга"""
        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"Не удалось отправить оповещение: {e}")
    
    def monitor(self):
        """Основной цикл мониторинга"""
        if self.check_health():
            print(f"{datetime.now()}: {self.service_name} работоспособен")
            return 0
        
        print(f"{datetime.now()}: {self.service_name} неработоспособен")
        self.send_alert(f"{self.service_name} не работает", severity='warning')
        
        # Попытка перезапуска
        for attempt in range(1, self.max_retries + 1):
            print(f"Попытка перезапуска {attempt}/{self.max_retries}")
            
            if self.restart_service() and self.check_health():
                print(f"{datetime.now()}: Сервис восстановлен")
                self.send_alert(
                    f"{self.service_name} автоматически восстановился после перезапуска",
                    severity='info'
                )
                return 0
            
            time.sleep(5)
        
        # Все попытки не удались
        print(f"{datetime.now()}: Не удалось восстановить сервис")
        self.send_alert(
            f"{self.service_name} не удалось восстановить после {self.max_retries} попыток",
            severity='critical'
        )
        return 1

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

# Runbook: Высокая задержка API

## Симптомы
- 95-й процентиль задержки API > 1 секунды
- Жалобы пользователей на медленную загрузку страниц
- Срабатывает оповещение: "HighAPILatency"

## Серьезность
**Предупреждение** — Ухудшает пользовательский опыт, но сервис функционален

## Этапы исследования

### 1. Проверяем текущие метрики
```bash
# Проверяем распределение задержки
curl -s http://prometheus:9090/api/v1/query?query='histogram_quantile(0.95, rate(http_request_duration_seconds_bucket[5m]))'

# Проверяем частоту запросов
curl -s http://prometheus:9090/api/v1/query?query='rate(http_requests_total[5m])'

# Подключения к базе данных
mysql -e "SHOW PROCESSLIST;"

# Задержка Redis
redis-cli --latency

# Внешние API
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"  # Нормальная работа
    OPEN = "open"      # Сбой, отклоняем запросы
    HALF_OPEN = "half_open"  # Проверяем восстановление

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:
                # Возвращаем fallback вместо вызова сбойного сервиса
                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):
        # Возвращаем закешированные данные или ответ по умолчанию
        return {"status": "degraded", "data": []}

# Использование
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()
    
    # Стратегия повторных попыток
    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

# Использование с таймаутом
session = create_resilient_session()
try:
    response = session.get('https://api.example.com/data', timeout=5)
except requests.exceptions.Timeout:
    # Изящная деградация - используем закешированные данные
    response = get_cached_data()

# Скачиваем образ
docker pull nginx:latest

# Запускаем контейнер
docker run -d \
  --name my-nginx \
  -p 8080:80 \
  nginx:latest

# Список запущенных контейнеров
docker ps

# Просмотр журналов
docker logs my-nginx

# Выполняем команду в контейнере
docker exec -it my-nginx bash

# Останавливаем контейнер
docker stop my-nginx

# Удаляем контейнер
docker rm my-nginx

# Базовый образ
FROM python:3.9-slim

# Устанавливаем рабочий каталог
WORKDIR /app

# Копируем зависимости
COPY requirements.txt .

# Устанавливаем зависимости
RUN pip install --no-cache-dir -r requirements.txt

# Копируем код приложения
COPY . .

# Открываем порт
EXPOSE 8000

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

# Запускаем приложение
CMD ["python", "app.py"]

# Собираем образ
docker build -t myapp:1.0 .

# Запускаем с переменными окружения
docker run -d \
  --name myapp \
  -p 8000:8000 \
  -e DATABASE_URL=postgres://db:5432/mydb \
  -e LOG_LEVEL=info \
  myapp:1.0

# Просмотр использования ресурсов
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:

# Запускаем все сервисы
docker-compose up -d

# Просмотр журналов
docker-compose logs -f web

# Масштабируем сервис
docker-compose up -d --scale web=3

# Останавливаем все сервисы
docker-compose down

# Клонируем репозиторий
git clone https://github.com/company/repo.git
cd repo

# Создаем ветку для фичи
git checkout -b feature/add-monitoring

# Вносим изменения и коммитим
git add .
git commit -m "Add Prometheus monitoring"

# Отправляем в удаленный репозиторий
git push origin feature/add-monitoring

# Обновляем из main
git checkout main
git pull origin main
git checkout feature/add-monitoring
git rebase main

# Сливаем фичу (после одобрения PR)
git checkout main
git merge feature/add-monitoring
git push origin main

# Кратковременные ветки для фич
git checkout -b feature/quick-fix
# Работаем < 1 дня
git push origin feature/quick-fix
# Сливаем в main сразу