SRE en AWS: fiabilidad, escala y operaciones

📑 5 slides 👁 8 views 📅 11/18/2026
0.0 (0 ratings)

Operar sistemas complejos con método

Prioriza estabilizar el impacto en clientes; después correlaciona métricas, registros y trazas para hallar la causa.

Operar sistemas complejos con método
2

EKS: cambios sin interrupciones

  • Durante actualizaciones, aplica PDB a cargas críticas, usa hooks preStop y drena conexiones antes de terminar pods.
  • Usa grupos de nodos blue/green o actualizaciones con capacidad adicional; revisa API obsoletas antes del cambio.
  • Frena el thrashing del HPA con escalado rápido y estabilización de 5–10 minutos para reducir réplicas.
  • Combina KEDA para colas con solicitudes de CPU y memoria precisas, evitando sobrecarga y pods pendientes.
EKS: cambios sin interrupciones
3

Infraestructura segura y recuperable

  • Divide Terraform en estados aislados por dominio y usa backends remotos con bloqueo para reducir el radio de impacto.
  • Publica módulos versionados; comparte resultados mediante SSM o Consul para evitar dependencias estrechas entre estados.
  • Detecta drift con planes programados y alertas; codifica los cambios urgentes o reviértelos con un apply controlado.
  • Para CI/CD, usa federación OIDC, imágenes firmadas y límites de ArgoCD; elimina claves estáticas y permisos excesivos.
Infraestructura segura y recuperable
4

Fiabilidad medible y coste controlado

  • Un SLO de 99,9 % permite unos 43,2 minutos de indisponibilidad en 30 días; el presupuesto convierte riesgo en decisiones.
  • Vincula el gasto del presupuesto a ventanas de alerta y despliegues progresivos, con rollback automático ante degradación.
  • Reduce telemetría costosa filtrando etiquetas de alta cardinalidad, muestreando trazas sanas y archivando logs detallados.
  • Investiga aumentos de coste por servicio, región y uso; optimiza recursos y configura presupuestos y detección de anomalías.
Fiabilidad medible y coste controlado
5

Automatizar, aprender y mejorar

  • Diseña recuperación regional según objetivos: activo-activo puede lograr RTO de 60 segundos y RPO cero, con mayor coste y latencia.
  • Ante errores 500 o CPU alta, delimita alcance y cambios recientes; usa métricas, registros y trazas para aislar dependencias.
  • Reduce toil automatizando tareas repetitivas; elige Python para orquestación y Go para alta concurrencia o binarios autónomos.
  • Cierra incidentes con RCA sin culpables y acciones verificables; capacita líderes mediante diseños y simulacros de incidentes.
Automatizar, aprender y mejorar
1 / 5