Der zuverlässige Betrieb großer, verteilter Softwaresysteme umfasst in der Praxis eine Vielzahl von Aufgaben - von der Definition von Service Level Objectives über die Automatisierung manueller Betriebsaufgaben bis hin zur strukturierten Reaktion auf Systemausfälle. Site Reliability Engineering (SRE) verbindet Software-Engineering-Methoden mit klassischen IT-Operations-Aufgaben und etabliert messbare Zuverlässigkeitsstandards. Das SRE-Prinzip, Betriebsarbeit durch Automatisierung zu reduzieren, prägt die Arbeitsweise von Plattform- und Infrastrukturteams.
Kursinhalt1. SRE-Grundprinzipien und Zuverlässigkeitsmessung
- SLIs, SLOs und SLAs: Definition und Messung
- Error Budgets und ihr Einfluss auf Deployment-Entscheidungen
- SRE vs. klassisches IT-Operations-Modell
2. Automatisierung und Toil-Reduzierung
- Definition und Messung von Toil (manuelle, repetitive Arbeit)
- Automatisierung von Betriebsaufgaben mit Skripten und Tooling
- Runbooks und Playbooks für strukturierte Betriebsprozesse
3. Incident Management und Postmortems
- Incident-Klassifizierung und Eskalationsprozesse
- Blameless Postmortems: Struktur und Lernziele
- Root Cause Analysis (RCA) und Follow-up-Maßnahmen
4. Observability und kapazitätsorientierte Planung
- Pillars of Observability: Metrics, Logs, Traces
- Capacity Planning und Load Testing
- Monitoring-Tools im SRE-Kontext (Prometheus, Grafana, Jaeger)
Berufliche Relevanz
- SRE-Kenntnisse werden in Platform-Engineering-, SRE- und DevOps-Positionen eingesetzt
- Ermöglicht die messbare Steigerung der Systemzuverlässigkeit
- Grundlage für das Management verteilter Produktionssysteme bei hohen Verfügbarkeitsanforderungen