Надёжность и SRE

Балансировка нагрузки — копии за одним адресом и проверка здоровья

Балансировщик принимает запросы на одном адресе, раздаёт их между копиями сервиса и убирает больные из ротации.

SLI и SLO — доля хороших запросов и бюджет ошибок

SLI — измеренная доля хороших запросов за окно времени, SLO — цель для неё; разница между целью и 100 % — бюджет ошибок.

Инцидент — первые минуты, ранбук и хронология

Инцидент — сбой, который видят пользователи: сервис сначала восстанавливают по ранбуку, причину ищут потом.

Постмортем — разбор сбоя без поиска виноватых

Постмортем — письменный разбор сбоя: хронология, влияние, причина и действия, чтобы сбой не повторился.

keepalived — плавающий адрес по VRRP

keepalived держит плавающий адрес (VIP) на одной из машин и по VRRP переносит его на запасную, когда основная молчит.