Visão Geral

O curso Site Reliability Engineering (SRE) Foundation apresenta os fundamentos, princípios e práticas de Engenharia de Confiabilidade de Sites (SRE), abordagem que integra engenharia de software, operações de infraestrutura, automação e gestão orientada por indicadores para aumentar a disponibilidade, a estabilidade, o desempenho e a confiabilidade de serviços digitais.

A capacitação aborda a aplicação de práticas de SRE em ambientes corporativos e de missão crítica, explorando a relação entre SRE, DevOps, IT Service Management (ITSM) e operações de TI. Os participantes aprenderão a utilizar Service Level Indicators (SLIs), Service Level Objectives (SLOs), Service Level Agreements (SLAs) e Error Budgets para estabelecer objetivos mensuráveis de confiabilidade, orientar decisões operacionais e equilibrar estabilidade e evolução dos serviços.

O programa contempla também a identificação e redução de trabalho operacional repetitivo (Toil), fundamentos de automação, monitoramento e observabilidade, análise de métricas, logs e traces, gestão de alertas, resposta a incidentes e elaboração de postmortems sem culpabilização. São apresentados conceitos de engenharia de resiliência, aprendizado com falhas e melhoria contínua, com exercícios aplicados a cenários de sustentação de infraestrutura e serviços digitais.

Ao longo do treinamento, os participantes desenvolverão uma visão prática de como transformar operações predominantemente reativas em processos mais proativos, mensuráveis e orientados à prevenção de falhas, redução do tempo de recuperação e melhoria da experiência dos usuários. O curso inclui exercícios e estudos de caso que simulam desafios encontrados em Centros de Operações de Rede (NOC), equipes de infraestrutura e operações de serviços digitais.

Objetivo

Após realizar este Curso SRE Site Reliability Engineering Foundation – Fundamentals of Service Reliability and Operations, você será capaz de:

• Compreender os fundamentos, princípios e objetivos da Engenharia de Confiabilidade de Sites (SRE).
• Diferenciar SRE, DevOps, ITSM e práticas tradicionais de operações de TI.
• Definir e interpretar SLIs, SLOs, SLAs e Error Budgets em cenários operacionais.
• Identificar oportunidades de redução de Toil e priorizar atividades passíveis de automação.
• Compreender o papel das métricas, dos logs, dos traces e dos alertas na observabilidade de serviços.
• Aplicar conceitos de monitoramento orientado à confiabilidade e identificação de degradação de serviços.
• Reconhecer estratégias de automação para reduzir erros manuais e melhorar a consistência operacional.
• Compreender práticas estruturadas de resposta a incidentes, escalonamento e recuperação de serviços.
• Elaborar análises pós-incidente com foco em causas contribuintes, aprendizado organizacional e prevenção de recorrências.
• Aplicar princípios de resiliência, melhoria contínua e aprendizado com falhas em ambientes de infraestrutura e serviços digitais.

Publico Alvo

• Operadores e analistas de Centro de Operações de Rede (NOC)
• Analistas de infraestrutura e redes
• Administradores de sistemas e plataformas
• Profissionais de monitoramento e observabilidade
• Analistas de operações de TI e suporte técnico
• Engenheiros de confiabilidade, infraestrutura e operações
• Profissionais de DevOps e SRE em início de atuação
• Líderes técnicos e supervisores de operações de TI

Pre-Requisitos

• Conhecimentos básicos de infraestrutura de TI, redes, sistemas operacionais ou sustentação de serviços digitais.
• Familiaridade com atividades de monitoramento, atendimento de alertas ou suporte operacional é recomendada.
• Conhecimentos de DevOps, ITSM, automação ou ferramentas de monitoramento são desejáveis, mas não obrigatórios.
• Não é necessário conhecimento avançado de programação.

Materiais

Conteúdo Programatico

Module 1 – SRE Fundamentals and Principles

1. Introduction to Site Reliability Engineering (SRE)
2. Origins, objectives and evolution of SRE
3. Core SRE principles and engineering culture
4. SRE, DevOps, ITSM and traditional IT operations
5. Reliability, availability, performance and service quality
6. SRE roles, responsibilities and collaboration between operations and engineering teams

Module 2 – Service Level Indicators, Objectives and Error Budgets

1. Service Level Agreements (SLAs), Service Level Indicators (SLIs) and Service Level Objectives (SLOs)
2. Defining meaningful service reliability indicators
3. Availability, latency, throughput and error rate
4. Establishing measurable SLOs based on user and business requirements
5. Error Budgets: concepts, calculation and operational decision-making
6. Monitoring SLO compliance and identifying reliability risks
7. Practical exercise: defining SLIs and SLOs for a digital service

Module 3 – Toil Reduction and Operational Automation

1. Definition and characteristics of operational Toil
2. Identifying, measuring and prioritizing repetitive operational tasks
3. Operational workload, scalability and automation opportunities
4. Automation principles for reliable infrastructure and services
5. Introduction to scripting and automated operational procedures
6. Risks, limitations and maintenance of automation
7. Practical exercise: identifying Toil and proposing an automation improvement plan

Module 4 – Monitoring, Observability and Telemetry

1. Traditional monitoring and modern observability
2. Metrics, logs and distributed traces
3. Monitoring infrastructure, applications and service dependencies
4. Alert design, thresholds, prioritization and alert noise reduction
5. Service health indicators and performance analysis
6. Telemetry correlation and incident diagnosis
7. Introduction to proactive detection and anomaly identification
8. Practical exercise: analyzing monitoring signals and identifying service degradation

Module 5 – Incident Management and Blameless Postmortems

1. Incident classification, severity and prioritization
2. Incident response, communication and escalation procedures
3. Coordination between NOC, infrastructure and development teams
4. Incident containment, service recovery and restoration validation
5. Mean Time to Detect (MTTD) and Mean Time to Recover (MTTR)
6. Root cause analysis and contributing factors
7. Blameless postmortems and organizational learning
8. Defining corrective and preventive actions after incidents
9. Practical exercise: incident analysis and postmortem preparation

Module 6 – Resilience Engineering and Practical SRE Workshop

1. Reliability engineering and service resilience
2. Fault tolerance, redundancy and graceful degradation
3. Learning from failures and continuous improvement
4. Antifragility concepts and their practical limitations in operations
5. Integrating SRE practices into operational processes
6. Practical workshop: analyzing a critical service incident
7. Defining reliability indicators, identifying Toil and proposing automation measures
8. Preparing an action plan to improve service reliability and reduce incident recurrence