SRE là gì: site reliability engineer làm gì và vào nghề bằng đường nào

Tác giả CareerLink

Khi một dịch vụ trực tuyến ngừng hoạt động lúc hai giờ sáng, người được gọi dậy đầu tiên thường mang chức danh này. Câu hỏi SRE — Site Reliability Engineer là gì không chỉ là hỏi một chức danh, mà là hỏi về cách một tổ chức quyết định độ tin cậy đáng giá bao nhiêu. Bài viết mô tả công việc thật và đường vào nghề.

SRE — site reliability engineer là gì

Tổng quan nhanh

– SRE là cách vận hành hệ thống bằng tư duy và công cụ của kỹ sư phần mềm thay vì thao tác tay.

– Ngân sách lỗi là ý tưởng trung tâm, biến tranh cãi giữa đội phát triển và đội vận hành thành một con số.

– Trực sự cố là phần thật của nghề mà nhiều mô tả công việc nói rất sơ sài.

– Người vào nghề thường đi lên từ lập trình, quản trị hệ thống hoặc vận hành hạ tầng chứ ít khi vào thẳng.

Bốn ý trên là bộ khung của bài, đi từ định nghĩa tới công việc hằng ngày rồi tới hai phần khó nhất của nghề SRE.

1. SRE là gì và ra đời để giải bài toán nào

Kỹ sư độ tin cậy hệ thống (Site Reliability Engineer), gọi tắt là SRE, là người chịu trách nhiệm để một dịch vụ chạy đủ tin cậy cho người dùng, bằng cách viết phần mềm và dựng tự động hoá thay vì xử lý tay từng sự cố. Cách diễn đạt được trích nhiều nhất đến từ Benjamin Treynor Sloss, người khởi xướng đội SRE đầu tiên tại Google năm 2003: SRE là điều xảy ra khi bạn nhờ một kỹ sư phần mềm thiết kế đội vận hành.

Bài toán mà SRE nhắm tới là xung đột cố hữu giữa hai nhóm trong doanh nghiệp công nghệ. Đội phát triển sản phẩm được đo bằng tốc độ ra tính năng, còn đội vận hành được đo bằng sự ổn định của hệ thống. Hai thước đo kéo về hai hướng, nên trong mô hình tách rời truyền thống, mỗi lần phát hành đều thành một cuộc thương lượng. Thêm nữa, khi dịch vụ lớn lên thì khối lượng thao tác tay cũng tăng theo.

Google trả lời bằng hai ràng buộc. Thứ nhất, đội vận hành được tuyển như đội kỹ sư phần mềm, nên họ viết chương trình để khỏi lặp lại thao tác. Thứ hai, việc vận hành thuần tuý bị đặt trần: tài liệu của Google nêu mục tiêu nội bộ giữ phần việc này dưới 50% thời gian của mỗi SRE, phần còn lại dành cho công việc kỹ thuật giúp giảm tải về sau. Mức trần này là quy ước riêng của Google chứ không phải chuẩn chung của ngành. Cuốn Site Reliability Engineering do O’Reilly xuất bản năm 2016 đưa mô hình ra ngoài Google.

2. Một kỹ sư SRE làm gì trong ngày làm việc

Nhiều người hình dung SRE ngồi nhìn bảng biểu chờ hệ thống sập. Thực tế phần lớn thời gian của họ là công việc kỹ thuật chủ động: dựng hệ thống quan sát, viết công cụ, sửa những chỗ khiến hệ thống dễ gãy và chuẩn bị cho sự cố trước khi nó xảy ra. Sự cố chiếm phần nhỏ trong lịch nhưng định hình phần còn lại.

– SRE đặt và theo dõi các chỉ số độ tin cậy mà người dùng thật sự cảm nhận được.

– Họ dựng hệ thống giám sát và cảnh báo sao cho báo động chỉ nổ khi có việc đáng làm.

– Họ tự động hoá các thao tác lặp lại để thời gian vận hành không tăng theo quy mô hệ thống.

– Họ tham gia ca trực sự cố và viết tài liệu khám nghiệm sau mỗi lần hệ thống gặp vấn đề.

– SRE rà soát thiết kế dịch vụ mới để nêu rủi ro độ tin cậy từ khi còn trên bản vẽ.

Năm nhóm việc trên cho thấy nghề SRE nằm giữa lập trình và vận hành. Vì vị trí này thường được xếp vào khối phát triển phần mềm, bạn có thể xem các tin việc làm CNTT – phần mềm đang đăng trên CareerLink để nắm cách nhà tuyển dụng trong nước mô tả yêu cầu cho nhóm vị trí này.

3. SRE khác DevOps và quản trị hệ thống ở đâu

Đây là chỗ gây nhầm lẫn nhiều nhất, vì ba tên gọi cùng nói về việc đưa phần mềm lên chạy và giữ cho nó chạy. Cách phân biệt gọn nhất: DevOps là tập nguyên tắc văn hoá và quy trình, còn SRE là một cách triển khai cụ thể kèm những con số ràng buộc. Theo tài liệu của Google, DevOps là sự khái quát hoá rộng hơn của cùng nhóm ý tưởng, còn SRE quy định rõ đo cái gì và ngưỡng ở đâu.

Tiêu chí Quản trị hệ thống DevOps SRE
Bản chất Vai trò vận hành hạ tầng Tập nguyên tắc và văn hoá Cách triển khai kèm chỉ số ràng buộc
Cách xử lý việc lặp Thao tác tay theo quy trình Khuyến khích tự động hoá Đặt trần cho việc lặp và bắt buộc giảm dần
Thước đo chính Thời gian hệ thống hoạt động Nhịp phát hành và mức độ hợp tác Mục tiêu mức dịch vụ và ngân sách lỗi
Quan hệ với đội phát triển Thường tách rời Hợp tác xuyên suốt Chia sẻ trách nhiệm qua một chỉ số chung

Điểm đáng chú ý nằm ở dòng cuối: quan hệ giữa các đội trong mô hình SRE không dựa vào thiện chí mà dựa vào một chỉ số hai bên cùng nhìn vào. Nếu muốn hiểu kỹ hơn nhánh văn hoá và quy trình, bài DevOps trên CareerLink trình bày phần nền đó, còn mục tiếp theo đi vào chỉ số riêng của mô hình này.

4. Ngân sách lỗi biến tranh cãi thành một con số

Đây là ý tưởng khiến SRE không chỉ là tên gọi mới của vận hành. Xuất phát điểm nghe hơi ngược: mục tiêu không phải là không bao giờ lỗi. Tài liệu của Google lập luận rằng theo đuổi độ tin cậy tuyệt đối là phản tác dụng, vì chi phí tăng rất nhanh trong khi người dùng gần như không cảm nhận được phần cải thiện cuối, nhất là khi đường truyền và thiết bị của họ vốn đã có lỗi riêng.

Từ đó sinh ra cách làm định lượng gồm bốn khái niệm nối tiếp nhau.

Khái niệm Nội dung
SLI — chỉ số mức dịch vụ Con số đo trải nghiệm thật, ví dụ tỷ lệ yêu cầu được phục vụ thành công
SLO — mục tiêu mức dịch vụ Ngưỡng mà dịch vụ tự đặt ra cho chỉ số đó trong một chu kỳ
Ngân sách lỗi Phần chênh giữa mức hoàn hảo và mục tiêu đã đặt, tức mức lỗi được phép tiêu
SLA — thoả thuận mức dịch vụ Ràng buộc với khách hàng kèm hệ quả thương mại khi không đạt

Cơ chế vận hành rất đơn giản. Khi ngân sách lỗi còn, đội phát triển phát hành tính năng mới với nhịp bình thường. Khi ngân sách cạn vì sự cố hoặc vì thay đổi gần đây gây bất ổn, tổ chức tạm dừng ra tính năng và chuyển công sức sang vá độ ổn định cho tới khi chỉ số hồi lại. Nhờ vậy, việc phát hành nhanh hay chậm không còn là tranh luận giữa hai đội mà là kết quả đọc từ cùng một con số.

Ngân sách lỗi không phải là lời hứa hệ thống sẽ ổn, mà là cách viết ra bằng số mức rủi ro tổ chức chịu được và ai phải dừng lại khi mức đó bị vượt.

Một khái niệm nữa hay đi kèm là toil, tức phần việc vận hành thủ công, lặp lại, có thể tự động hoá và tăng tuyến tính theo quy mô dịch vụ. Google đặt mục tiêu giữ phần việc này dưới một nửa thời gian của mỗi SRE, vì vượt ngưỡng thì đội không còn thời gian làm việc kỹ thuật và bị cuốn vào vòng xử lý sự vụ.

5. Trực sự cố và văn hoá khám nghiệm không quy tội

Phần này thường bị viết rất mỏng trong tin tuyển dụng, trong khi nó quyết định người ta trụ được với nghề hay không. SRE tham gia ca trực xoay vòng, nghĩa là trong thời gian trực, bạn phải phản hồi báo động ngoài giờ hành chính, kể cả ban đêm và cuối tuần. Ca trực yên tĩnh chỉ có được khi đội đã đầu tư nhiều vào chất lượng cảnh báo và tài liệu xử lý.

Những điều nên hỏi rõ về ca trực trước khi nhận việc

– Hãy hỏi chu kỳ trực và số người trong vòng trực, vì vòng quá ít người sẽ rất nặng.

– Hãy hỏi số báo động trung bình mỗi ca và tỷ lệ báo động giả đang ở mức nào.

– Hãy hỏi cách tổ chức bù lại thời gian trực ngoài giờ và chính sách nghỉ sau đêm bị gọi.

– Hãy hỏi đội có tài liệu xử lý sự cố cho từng loại báo động hay phải tự suy luận từ đầu.

Bốn câu hỏi trên giúp phân biệt một đội đã trưởng thành với đội chỉ mới đổi tên chức danh. Báo động giả nhiều là dấu hiệu xấu rõ nhất, vì nó bào mòn sự tỉnh táo và khiến người trực dần bỏ qua cả cảnh báo thật.

Mặt còn lại của trực sự cố là cách tổ chức xử lý hậu quả. SRE gắn với văn hoá khám nghiệm sự cố không quy tội cá nhân, tức tài liệu viết sau sự cố tập trung vào chuỗi nguyên nhân kỹ thuật và những chỗ cho phép lỗi lan rộng, thay vì truy ai bấm nhầm. Lý do rất thực dụng: nếu người gây lỗi biết mình sẽ bị quy trách nhiệm, họ sẽ giấu chi tiết, và tổ chức mất luôn dữ liệu cần để sửa gốc rễ.

SRE — site reliability engineer là gì

6. Lộ trình vào nghề và thứ cần học trước

Phần lớn người làm SRE không vào thẳng từ ghế nhà trường mà chuyển sang từ một vị trí kỹ thuật khác: lập trình viên backend muốn hiểu hệ thống chạy thật ra sao, quản trị viên hệ thống muốn chuyển từ thao tác tay sang viết công cụ, hoặc kỹ sư hạ tầng đã quen môi trường sản xuất. Nghề này đòi hỏi bạn từng thấy hệ thống hỏng ngoài đời chứ không chỉ đọc về nó.

Bốn nền tảng nên chuẩn bị trước khi ứng tuyển

– Hãy thạo một ngôn ngữ lập trình đủ để viết công cụ, phổ biến trong nghề là Go và Python.

– Hãy nắm chắc hệ điều hành Linux và mạng máy tính ở mức gỡ lỗi được sự cố thật.

– Hãy làm quen với hạ tầng dưới dạng mã và nền tảng điều phối như Terraform hay Kubernetes.

– Hãy thực hành quan sát hệ thống với bộ công cụ như Prometheus, Grafana hoặc OpenTelemetry.

Bốn nền tảng trên dựng được tại nhà trên vài máy ảo, và chính bản ghi quá trình bạn làm hỏng rồi sửa được mới là thứ đáng đưa vào hồ sơ. Ngoài kỹ thuật, nhà tuyển dụng còn hỏi cách bạn viết tài liệu và trao đổi khi sự cố đang diễn ra, vì lúc đó khả năng diễn đạt gọn gàng quan trọng ngang khả năng gõ lệnh. Thu nhập của vị trí SRE thay đổi theo kinh nghiệm, quy mô hệ thống và doanh nghiệp, nên không có mức chung.

7. Câu hỏi thường gặp

1. Không biết lập trình thì làm SRE được không?

Rất khó, vì phần lõi của công việc là viết phần mềm thay cho thao tác tay. Bạn không cần trình độ của một kỹ sư sản phẩm, nhưng cần đủ khả năng đọc mã nguồn dịch vụ, viết công cụ nội bộ và tự động hoá quy trình vận hành.

2. Doanh nghiệp nhỏ có cần vị trí SRE riêng không?

Nhiều nơi quy mô nhỏ chưa tách vị trí riêng mà để đội phát triển tự đảm nhận phần vận hành. Dù vậy các nguyên tắc SRE như đặt mục tiêu mức dịch vụ, giảm việc lặp và viết tài liệu sau sự cố vẫn áp dụng được ở quy mô vài người.

3. Nên học DevOps trước hay học thẳng theo hướng SRE?

Hai hướng chồng lấn nhiều nên thứ tự không quan trọng bằng nền tảng. Hãy chắc phần lập trình, Linux và mạng trước; các nguyên tắc về nhịp phát hành, tự động hoá và đo độ tin cậy sẽ dễ tiếp thu hơn khi đã có nền đó.

Tóm lại, đây là nghề dùng kỹ năng phần mềm để giải bài toán vận hành, và giá trị nằm ở việc đưa độ tin cậy về dạng đo được. Người muốn theo hướng SRE nên chuẩn bị nền lập trình cùng hiểu biết hệ thống, đồng thời nhìn thẳng vào phần trực sự cố trước khi nhận việc. Hãy bắt đầu bằng một dịch vụ nhỏ tự dựng, tự đặt mục tiêu độ tin cậy rồi tự đo.

Nội dung bài mang tính tham khảo về mô hình SRE tại thời điểm biên soạn. Cách đặt chỉ số, chính sách trực sự cố và yêu cầu tuyển dụng khác nhau giữa các doanh nghiệp, vì vậy bạn nên đối chiếu với tài liệu chính thức và mô tả công việc cụ thể trước khi quyết định.

Minh An

Bài viết liên quan

Zalo Icon