Incident Metrics in SRE - Google - Site Reliability Engineering
Incident Metrics in SRE - Google - Site Reliability Engineering Measuring improvements as a result of a process change, product purchase, or a technological change is commonplace. In reliability engineering, statistics such as mean time to recovery (MTTR) or mean time to mitigation (MTTM) are often measured. These statistics are sometimes used to evaluate improvements, or track trends. In this rep
Telltale: Netflix Application Monitoring Simplified
By Andrei Ushakov, Seth Katz, Janak Ramachandran, Jeff Butsch, Peter Lau, Ram Vaithilingam, and Greg Burrell Our Telltale VisionAn alert fires and you get paged in the middle of the night. A metric crossed a threshold. You’re half awake and wondering, “Is there really a problem or is this just an alert that needs tuning? When was the last time somebody adjusted our alert thresholds? Maybe it’s due
障害対応力の高いエンジニアになろう！ビズリーチで行ったシステム防災訓練とは?
はじめまして。ビズリーチでサーバーサイドエンジニアをしている蒲池です。 今日はビズリーチで行ったシステム防災訓練について書きたいと思います。 なぜ実施したのか？ サービスを運営していく中で、ソフトウェア/ハードウェアの両方で障害は発生しうるものです。 ビズリーチでは、いざ発生した時に迅速に対応できるようにするため、障害対応フローというものを用意しています。 ただ、障害対応フローが定義されているからといって、誰でも有事で対応できるという話は別です。 指揮官をやりきるリーダーシップが発揮できるか 適切な報告を社内外にできるか そもそも障害内容に応じたシステム的に適切な処置ができるか など、障害対応には様々なスキルが求められます。(以下これらを包括したスキルのことを 障害対応力 と呼ぶことにします) この障害対応力を少しでも向上させるために、特に若手エンジニアに向けて、システム防災訓練を行いまし
1
リリース、障害情報などのサービスのお知らせ
最新の人気エントリーの配信
処理を実行中です
j次のブックマーク
k前のブックマーク
lあとで読む
eコメント一覧を開く
oページを開く
Incident Management | IT Process Wiki
Taming Data Quality with Circuit Breakers
Managing Data Issues as Incidents
Beneficial Outage Communication Practices - VictorOps
