Análisis de incidencias
Curso de escalabilidad v2, día 5
Qué veremos hoy
Investigación de causa raíz. Los cinco porqués
Postmortems sin culpa
Tareas post-incidente
Actitudes y expectativas. Liderazgo
Un hueco con forma de incidencias
¿Qué es una incidencia?
Un problema con impacto negativo en el servicio
Idealmente, resulta en una o más alertas
Requiere atención fuera de lo ordinario
Con consecuencias en usuarios o negocio
Ejercicio: Explosión de Chernóbil
Revisa la documentación del incidente
Intenta pensar cuál es la causa raíz
¿Cómo la resolverías?
⮯
¡Suspense!
Investigación de causa raíz
Los cinco porqués
Hay que preguntar como un niño
No detenerse en la primera causa
Pero, ¿por qué cinco porqués?
Hay que seguir hasta que esté todo claro
Problema: ¿causa raíz?
En un sistema complejo
los fallos no son por una única causa
Siempre hay que buscar múltiples fallos
y luego arreglarlos todos
Bucea hasta que tengas completa seguridad
de que has entendido el problema
Raíz de causas
Diagrama de Ishikawa
O de espina de pescado
Finding the root cause of a failure is like finding the root cause of a success
Ejercicio: Colisión USS John McCain
Revisa la documentación del incidente
Revisa las consecuencias del mismo
¿Quién tuvo la culpa?
¿Qué medidas fueron acertadas y cuáles no?
⮯
Mystery solved!
Situaciones emocionales
Los ejercicios que estamos viendo son fuertes
¿Es posible un punto de vista desapasionado?
Estas industrias han tenido décadas (o siglos) para aprender
Saber hacer un análisis desapasionado es la clave
Postmortems sin culpa
¡Error humano!
Human error is not a cause, it is an effect.
John Allspaw: Outages, Post Mortems, and Human Error 101
Si se castiga a la gente por ser honrada sobre lo que ha pasado, los empleados pronto aprenderán que el coste personal de hablar no compensa los posibles beneficios personales. La mejora en seguridad de un sistema se basa en la información.
United States Forest Service
Segundas historias
| First Stories | Second Stories |
|---|---|
| Human error is seen as cause of failure | Human error is seen as the effect of systemic vulnerabilities deeper inside the organization |
| Saying what people should have done is a satisfying way to describe failure | Saying what people should have done doesn’t explain why it made sense for them to do what they did |
| Telling people to be more careful will make the problem go away | Only by constantly seeking out its vulnerabilities can organizations enhance safety |
Línea temporal (Timeline)
Habla con las partes implicadas
Asegúrate de entender las consecuencias
Narra los sucesos en orden
Crea una historia
Captura los detalles
Contrástala
Labor de equipo
Revisión de código
Responsabilidad compartida
Ejercicio: Accidente del Challenger
Revisa la documentación del accidente
¿Crees que fue una buena investigación?
¿Crees que las recomendaciones fueron útiles?
⮯
Excellent!
Facilitación del análisis
If the incident analyst participated in the incident, they will inevitably have a deeper understanding and bias towards the incident that will be impossible to remove in the process of analysis.
Ryan Kitchens, Netflix
Tareas post-incidente
Fuente: John Allspaw - What The Industry Misses About Incidents and What You Can Do
¿Cómo hacer un informe?
Un simple email puede bastar
Que sea fácil de leer
Con gráficos y datos
Informe público
Para enviar a la organización
Todo el mundo puede aprender
Amplía la audiencia a los afectados
Un fallo público suele aceptarse mejor
Planifica medidas
Resolución: resuelve problemas
Mitigación: reduce consecuencias
Prevención: evita incidentes
Monitorización: alerta de futuros problemas
Checklists
Revisa los procedimientos
Elabora una checklist
Cada procedimiento delicado debería tener su checklist
elaborado en frío
Mantén scripts
El siguiente paso es automatizar las tareas
Un script permite ejecutar múltiples tareas
Los scripts deben estar repositados y catalogados
Crea sistemas resistentes
Un sistema robusto resiste los embates del azar
Intenta que tus sistemas se recuperen solos
Mejor un aviso el lunes que una alerta el sábado
Usa lo que más convenga
What you want to avoid at all cost is incident-driven development. Testing should be deeply enshrined in the genes of the organization. We want to do this in as structured a way as possible.
Edwin Hakkennes:
Mal: Apagando fuegos todo el día
¡No confundir con IDD!
Bien: Incident-Driven Development
Los incidentes marcan el camino a seguir
Son incógnitas desconocidas: ¡acéptalo!
Intenta resolverlos a fondo
¿Qué puedo hacer para que no se repita?
Ejercicio: Accidente de Santiago
¿Cuáles fueron las causas?
¿Qué se podía haber hecho mejor?
⮯
We can do better!
Liderazgo
Consider listening to what an incident has to teach you. It's your job to figure out what that is.
John Allspaw, Incidents as we Imagine Them Versus How They Actually Are
Actitudes y expectativas
Cómo actúes en una crisis marcará el tono
La comunicación es lo más importante
Explica claramente qué buscas
Intenta sacar lo mejor de cada cual
The problems begin when the pressure to fix outweighs the pressure to learn.
Todd Conklin, via John Allspaw
Riesgo
Fija las expectativas de riesgo
Sin riesgo no hay beneficio
Sin riesgo no hay mejora
El único software "estable" es el que no cambia
Pablo Almunia: IEDGE – Proyectos de TI: Riesgos
Calibración del riesgo
Según el tipo de sistema
Riesgo menor
Riesgo económico
Riesgo de impacto a clientes
...
Riesgo de vidas humanas
Elabora planes de contingencia si es necesario
¡Sí se puede!
Inversión
¿Cuánto tiempo del equipo estás dispuesto o dispuesta
a dedicar a mejorar la estabilidad?
¿Prefieres pagar en horas de trabajo
o en "sangre" (alertas fuera del trabajo)?
Nota: la "sangre" no es gratis
Los incidentes afectan al desarrollo
Las planificaciones sufren
A no ser que tengas un equipo aparte
y ni por ésas
¡Y así es como debería ser!
Deja que guíen las mejoras del sistema
Ejercicio: Boeing 737 MAX
Revisa este vídeo de los incidentes
Pregúntale al ingeniero residente
Elabora un análisis del incidente
Sigue el checklist
⮯
Busted!
Bibliografía
John Allspaw: Blameless PostMortems and a Just Culture
The New Yorker: The Checklist
SRE Book*: Postmortem Culture: Learning from Failure
Ryan Kitchens: Characteristics of Next-Level Incident Reports in Software
Jacob Scott: Awesome Tech Postmortems
Recapitulemos
Sistemas distribuidos. Escalado y replicación
Pruebas de carga. Optimización de rendimiento
Uso de métricas. Incógnitas desconocidas
Monitorización y observabilidad
Análisis de incidencias
CdEv2 5: Análisis de incidencias
By Alex Fernández
CdEv2 5: Análisis de incidencias
Curso de escalabilidad v2, día 5: análisis de incidencias.
