Skip to main content

運用うんようと信頼性しんらいせい: SRE y Fiabilidad

Para Sanwa Monozukuri, la fiabilidad no es un deseo; es una disciplina de ingeniería. Aplicamos los principios de Site Reliability Engineering (SRE) para asegurar que nuestros sistemas en Rust y Go operen con una precisión del 99.99%99.99\%.

🏛️ Los Tres Pilares de la Fiabilidad​

1. El Error Budget (Presupuesto de Errores)​

Entendemos que la perfección absoluta (100%100\%) es un objetivo técnicamente imposible.

  • Definición: El Error Budget es el espacio de fallo que nos permitimos para innovar.
  • Fórmula:

EB=1−SLOEB = 1 - SLO

Si agotamos nuestro presupuesto de errores, se detienen todos los despliegues de nuevas funcionalidades y el equipo se enfoca exclusivamente en la 改善かいぜん (Kaizen) de la estabilidad.

2. SLI y SLO (Indicadores y Objetivos)​

No medimos "si el servidor está encendido". Medimos la experiencia del usuario.

  • SLI (Service Level Indicator): Una métrica cuantitativa (ej. latencia del percentil 99).
  • SLO (Service Level Objective): El valor objetivo para un SLI (ej. el 99.9%99.9\% de las peticiones deben responder en <200ms< 200ms).

3. Automatización de la 苦役くえき (Kueki - Toil)​

El "Toil" es el trabajo manual, repetitivo y sin valor estratégico. Un artesano de Sanwa automatiza cualquier tarea que deba realizarse más de dos veces. Si un humano debe intervenir para que el sistema sobreviva, el sistema está roto.

📡 Observabilidad Sistémica​

No monitoreamos para ver qué pasa; observamos para entender por qué pasa. Nuestro stack de observabilidad se basa en la "Trinidad de la Luz":

  1. Métricas: Datos agregados para detectar tendencias de consumo de recursos (Impacto Ambiental).
  2. Logs: El registro histórico de eventos críticos para el análisis de 反省はんせい (Hansei).
  3. Traces: El seguimiento de una petición a través de todos nuestros microservicios.

🛡️ Protocolo ante Fallas: La Defensa del Sistema​

Cuando un SLO se ve amenazado, entramos en modo de Defensa Activa:

  • Circuit Breakers: Nuestros servicios en Go/Rust deben implementar patrones de corte para evitar fallos en cascada.
  • Graceful Degradation: El sistema debe ofrecer una funcionalidad mínima en lugar de una pantalla de error. La soberanía (Akashi) debe ser lo último en caer.
  • Rollback Automático: Si un despliegue eleva la tasa de errores un 1%1\%, el sistema revierte automáticamente.

📐 Métricas de Triple Impacto en SRE​

DimensiónMétrica ClaveObjetivo Sanwa
SocialDisponibilidad de Identidad99.99%99.99\% (Cuatro nueves)
EconómicoTiempo de Recuperación (MTTR)<15< 15 minutos
AmbientalEficiencia de Cómputo<5%< 5\% de CPU en Idle

📐 Checklist de Fiabilidad para el Artesano​

  • ¿He definido los SLOs para este nuevo servicio antes de desplegarlo?
  • ¿El sistema puede recuperarse solo ante un reinicio del nodo?
  • ¿He eliminado todo el "Toil" manual del proceso de despliegue?
  • ¿Existen alertas claras que notifiquen al equipo antes de que el usuario note el fallo?

"La esperanza no es una estrategia de ingeniería. La fiabilidad es el resultado del diseño consciente."