Перейти к содержимому
Учи.Онлайн Выбрать школу
Статья

SRE-инженер: SLO, бюджет ошибок, дежурства и как прийти в профессию

SRE-инженер (Site Reliability Engineer, инженер по надёжности сервисов) отвечает за то, чтобы рабочий сервис вёл себя так, как договорились с бизнесом. Он выбирает показатели, по которым видно качество работы для пользователя (SLI), вместе с продуктовой командой ставит цели (SLO), считает, сколько сбоев можно себе позволить, настраивает оповещения, дежурит, ведёт инциденты, пишет разборы после них и автоматизирует то, что ломалось. В профессию обычно переходят системные администраторы, DevOps-инженеры и бэкенд-разработчики: нужны Linux, сети, мониторинг, Kubernetes и один язык программирования.

Автор: редакция Учи.ОнлайнОтветственный редактор: Дмитрий Игнатьев
Содержание
Иллюстрация к статье: SRE-инженер: SLO, бюджет ошибок, дежурства и как прийти в профессию

Главное, что отличает SRE от «человека, у которого ничего не падает», — отказ от цели в сто процентов. Надёжность выражают числом меньше единицы, а разницу с идеалом считают ресурсом: пока он есть, команда выпускает новые функции и рискует, когда кончается — релизы притормаживают и чинят причины сбоев. Спор «быстрее выпускать или меньше ломать» перестаёт быть спором мнений и превращается в арифметику, а инженер по надёжности следит, чтобы её считали честно.

Чем SRE-инженер занят на неделе

Работа складывается из четырёх видов задач: часть плановая, часть приходит внезапно.

Первое — договорённости о надёжности. Инженер вместе с владельцем продукта решает, что для пользователя означает «сервис работает»: каталог открывается быстрее секунды, платёж проходит, уведомление приходит в течение минуты. Затем он находит, откуда взять такие данные — логи балансировщика, метрики приложения, синтетические проверки, — и пишет запросы, которые считают показатель.

Второе — оповещения. SRE решает, какие сигналы будят человека ночью, какие создают задачу на утро, а какие просто рисуются на графике.

Третье — сами дежурства и инциденты. Дежурный получает сигнал, оценивает масштаб, при серьёзном сбое собирает команду и распределяет роли: кто координирует, кто чинит, кто сообщает пользователям. Цель первого часа — не найти причину, а остановить ущерб: откатить релиз или переключить трафик.

Четвёртое — устранение причин: постмортем, задачи с владельцами и сроками, проверка их выполнения. Сюда же относятся планирование мощностей перед сезонным пиком и автоматизация ручных операций, которые дежурные повторяют из раза в раз.

SLI, SLO и бюджет ошибок на учебном примере

Пример условный. Сервис доставки еды принимает заказы через одну точку API, около 1,2 млн запросов в сутки. Пользователей раздражают две вещи: заказ не оформился или оформление зависло. Поэтому SRE выбирает показатель (SLI) как долю запросов на оформление заказа, которые завершились успешно и быстрее 800 миллисекунд. Цель (SLO) — 99,5 % таких запросов за скользящие 30 дней.

Теперь бюджет ошибок. За 30 дней сервис получает около 36 млн запросов, 0,5 % от них — 180 000. Столько медленных или неудачных оформлений команда может «потратить» за месяц, не нарушив цель. Договорённость о бюджете фиксируют письменно вместе с правилом расходования: если за месяц израсходовано больше половины бюджета, новые функции выпускают только после проверки на части трафика; если бюджет исчерпан, релизы, кроме исправлений, останавливают до восстановления показателя.

Дальше бюджет начинает работать. В вечерний пик сервис получает около 2 000 запросов в минуту, и в пятницу выходит обновление, которое на полтора часа ломает оформление у каждого четвёртого пользователя: около 45 000 неудачных запросов, четверть месячного бюджета за вечер. Дежурный откатывает релиз, а в понедельник команда видит, что до конца окна осталось 75 % бюджета, и следующий большой релиз решает выпускать постепенно. Сбои не исчезли, но решение о риске приняли по цифрам и заранее известному правилу.

Когда будить дежурного: оповещения от скорости расхода бюджета

Частая ошибка начинающих — оповещение «доля ошибок выше 0,5 %». Оно срабатывает от каждого короткого всплеска, почти не трогающего месячный бюджет, и дежурный перестаёт на него реагировать. Длинное окно усреднения создаёт обратную проблему: сигнал долго не гаснет после конца сбоя.

В рабочей тетради Google по SRE, в главе об оповещениях по SLO, эту задачу решают через скорость расхода бюджета (burn rate) — во сколько раз быстрее нормы сервис тратит бюджет ошибок (глава «Alerting on SLOs», The Site Reliability Workbook). При скорости 1 бюджет заканчивается ровно к концу 30-дневного окна. Авторы предлагают три правила с двумя окнами каждое: вызывать дежурного, если за последний час скорость была 14,4 и при этом она держится последние 5 минут (израсходовано 2 % бюджета); вызывать, если за 6 часов скорость была 6 и держится последние 30 минут (5 % бюджета); заводить задачу без звонка, если за 3 дня скорость была 1 и держится последние 6 часов (10 % бюджета). Короткое окно авторы советуют брать равным 1/12 длинного: оно нужно, чтобы сигнал гас вскоре после окончания сбоя. Для сравнения: вариант с простым длинным окном после полного отказа срабатывает примерно через 2 минуты, но звенит ещё около 36 часов.

Пороги в главе посчитаны для цели 99,9 %, но выражены через долю израсходованного бюджета, поэтому переносятся и на учебный пример. При SLO 99,5 % скорость 14,4 означает, что в течение часа неудачными были около 7,2 % запросов на оформление. Поэтому минутный всплеск ошибок до 3 % никого не разбудит, а пятничный сбой с четвертью неудачных запросов вызвал бы дежурного примерно через 17 минут: столько нужно, чтобы средняя за час доля ошибок дошла до 7,2 %.

Дежурства, инциденты и постмортемы

Дежурство обычно устроено как ротация: несколько дней один инженер принимает сигналы, второй страхует. Смена начинается с передачи: что горит, какие релизы запланированы, какие оповещения шумели. На каждый тип сигнала заводят инструкцию (runbook) — что проверить первым и какие действия безопасны. Инструкция, по которой новичок не справится в три часа ночи, считается недописанной.

Постмортем пишут без поиска виноватых: вопрос не «кто выкатил», а «почему система позволила выкатить это без проверки». В документе описывают влияние (сколько пользователей и бюджета ошибок), хронологию, как сбой обнаружили, что помогло и что мешало, и действия с владельцами и сроками. Слабый постмортем заканчивается выводом «быть внимательнее», сильный — задачей, после которой та же ошибка ловится автоматически.

Чем SRE отличается от соседних ролей

В вакансиях эти роли часто смешивают. Системный администратор отвечает за серверы, сети и доступы; администрированию Linux-серверов посвящена отдельная статья на нашем сайте. DevOps-инженер, о котором тоже есть отдельный материал, строит путь кода от репозитория до продакшена: сборку, проверки, выкладку, инфраструктуру как код. SRE берёт уже работающий сервис и отвечает за его поведение для пользователя: за цели надёжности, оповещения, инциденты и инженерную работу, которая уменьшает число сбоев.

В небольшой компании один человек часто совмещает все три роли, а отдельная должность SRE появляется там, где сервисов много и простой стоит денег. Если в вакансии SRE нет ни слова о SLO, дежурствах и инцидентах, а есть только настройка CI и серверов, по сути это DevOps-позиция с другим названием.

Что может не подойти

Главный фильтр — дежурства. Ночные звонки бывают даже при хороших оповещениях, а в неделю дежурства приходится подстраивать под неё личные планы. Как оплачиваются дежурства и ночные вызовы, различается от компании к компании, поэтому это стоит выяснять на собеседовании, а не после выхода.

Второе — ответственность без полного контроля: SRE отвечает за надёжность чужого кода и должен уметь сказать «релиз не выходит, бюджет исчерпан» человеку, у которого горит срок. Третье — много письменной работы: постмортемы, инструкции, описания SLO.

С чего начать переход в SRE

Порядок шагов ниже построен так, чтобы каждый следующий опирался на предыдущий и давал наблюдаемый результат. Без уверенного Linux не получится диагностировать сбой, без метрик нечего записывать в SLO, а дежурить и разбирать инциденты имеет смысл, когда есть свой сервис, который можно ломать. Администратор или DevOps-инженер часть шагов пройдёт быстро.

  1. Подтяните диагностику в Linux и сетях: процессы, память, диск, DNS, TCP, TLS, чтение журналов. Тренируйтесь находить причину медленного ответа, а не только перезапускать службу.
  2. Поднимите небольшой веб-сервис и подключите к нему Prometheus и Grafana. Посчитайте SLI запросом по метрикам: долю успешных и быстрых ответов.
  3. Запишите SLO и бюджет ошибок в виде короткого документа и настройте оповещения по скорости расхода бюджета, как в разделе выше.
  4. Освойте один язык для автоматизации — Go или Python — и напишите утилиту, которая избавляет от реальной ручной операции.
  5. Перенесите сервис в контейнеры и Kubernetes, чтобы понимать, как ведут себя перезапуски, лимиты ресурсов и выкладка.
  6. Ломайте стенд намеренно: заполните диск, убейте процесс, добавьте задержку в сеть. Каждый случай оформляйте как постмортем.

Если на текущей работе есть дежурства, попроситесь в ротацию и предложите вести постмортемы: опыт реальных инцидентов весит больше учебного проекта.

Как показать первые результаты

Для SRE лучше всего работает публичный репозиторий, где виден весь цикл: описание сервиса, документ с SLI, SLO и правилом расходования бюджета, правила оповещений, дашборд, две-три инструкции для дежурного и несколько постмортемов по учебным сбоям. Работодатель смотрит не на число инструментов, а на рассуждения: почему выбран такой показатель и почему этот сигнал будит человека, а тот — нет.

Какую практику искать в обучении

Онлайн-курс полезен, когда даёт стенд, который можно ломать и чинить, и проверку работ человеком. Перед оплатой сравните, сколько в программе надёжности — SLO, оповещений, инцидентов, — а сколько общего DevOps-стека.

Программа, построенная вокруг профессии целиком, — онлайн-курс TeachMeSkills «SRE инженер». Он длится 8,5 месяца (248 академических часов), занятия идут онлайн по понедельникам и средам вечером. Первый модуль посвящён SLA, SLO, метрикам надёжности и бюджету ошибок, дальше — Linux и сети, Docker и Kubernetes, Ansible и Go с написанием операторов Kubernetes, наблюдаемость на Prometheus, Grafana и OpenTelemetry, облака с Terraform, безопасность и хаос-инжиниринг на Chaos Mesh и LitmusChaos. Заявлен разбор инцидентов в тестовой среде, но часы по модулям и проекты не расписаны. Уровень указан как «продолжающий», хотя в тексте говорится об обучении с нуля, — без опыта администрирования будет тяжело.

Если Linux и сети пока даются с трудом, честнее начать с длинной программы, где эксплуатация серверов идёт первой, а SLO добрать позже: к ним вы придёте, понимая, откуда берутся метрики.

Для такого маршрута подходит онлайн-курс Skillfactory «Профессия DevOps-инженер». На 648 часов программы приходятся модуль по системному администрированию, основы и продвинутая часть DevOps, Python, Docker, Kubernetes и итоговый проект на 228 часов. В стеке названы Prometheus, Grafana, VictoriaMetrics, ELK и Graylog, а среди навыков — мониторинговые дашборды. Школа адресует программу администраторам, разработчикам и инженерам эксплуатации. SRE, SLO и инциденты в описании не названы, эту часть придётся добирать самостоятельно.

Открыть курс «Профессия DevOps-инженер»

Тем, кто уже работает в IT и хочет обновить инфраструктурный стек, а не начинать заново, нужна программа другого масштаба. Здесь важно заранее выяснить, есть ли в ней наблюдаемость и работа с отказами, а не только сборка и выкладка.

На онлайн-курсе Нетологии «DevOps-инженер: курс для действующих IT-специалистов» заявлены Docker, Kubernetes, CI/CD, инфраструктура как код и использование нейросетей, три проекта и 74 практических задания. Длительность в карточке указана по-разному — восемь и девять месяцев. Программы по модулям на странице нет, и темы надёжности в описании прямо не названы: перед оплатой запросите у школы подробный план и проверьте, есть ли в нём мониторинг, SLO и разбор инцидентов.

Открыть курс «DevOps-инженер»

Сколько зарабатывает SRE-инженер

В обзоре Хабр Карьеры, опубликованном 10 августа 2026 года, медиана зарплаты SRE-инженеров в России за первое полугодие 2026 года названа на уровне 312 тысяч рублей, а стартовый уровень — 191 тысяча (Хабр Карьера, «Топ-5 высокооплачиваемых направлений в IT в 2026 году»). Разбивки по грейдам и городам в публикации нет, и что именно считается стартом, не уточняется.

Для сравнения с исходной профессией полезно исследование, на котором основан обзор: в первой половине 2026 года медианная зарплата администраторов составила 229 тысяч рублей в Москве, 200 тысяч в Санкт-Петербурге и 150 тысяч в остальных регионах (Хабр Карьера, «Зарплаты IT-специалистов в первой половине 2026 года»). Исследование построено на 45 226 анонимных анкетах зарплатного калькулятора, то есть описывает фактические заработки, а не предложения в вакансиях. Медианы посчитаны по разным группам специалистов, поэтому разница между ними — ориентир, а не обещанная прибавка при переходе.

Цифры описывают тех, кто уже работает SRE, обычно после нескольких лет в администрировании или разработке, — онлайн-курс сам по себе такой зарплаты не даёт. Смотря вакансии, фильтруйте по городу и опыту, сравнивайте медиану, а не среднее, и уточняйте, оплачиваются ли дежурства сверх оклада.

Как сравнить онлайн-школы

Отдельного рейтинга по SRE на сайте нет, поэтому ориентируйтесь на рейтинг онлайн-школ по DevOps и инфраструктуре — широкий, по всему направлению, от системного администрирования до автоматизации. Прежде чем выбирать, выполните второй и третий шаги из плана выше на своём сервисе: если расчёт бюджета ошибок и настройка оповещений по скорости его расхода вызывают интерес, а не раздражение, профессия, скорее всего, подойдёт.