Вопросы для собеседования DevOps / SRE, октябрь 26⁠⁠

1. Есть ли у вас опыт тушения продакшена в буквальном смысле?

Да. Когда серверная загорелась, мы сначала вызывали пожарных, а потом уже дежурного инженера. Но продакшен спасли не мы, а огнетушитель. Он был единственным, кто не паниковал.

2. Чем отличается Disaster Recovery от Damage Assessment?

DR — это когда мы восстанавливаем сервис. DA — это когда мы пытаемся понять, осталось ли что восстанавливать. Разница — в наличии уцелевших стоек.

3. Какой RTO у дата-центра после прямого попадания БПЛА?

RTO — это время, за которое мы поймём, что восстанавливать нечего. Обычно — от 3 секунд до 3 дней, в зависимости от количества уцелевших запчастей.

4. Умеете ли вы дебажить инфраструктуру по спутниковым снимкам?

Да. Если вижу на снимке воронку — значит, DNS не работает. Если вижу колонну дыма — значит, кластер ушёл в read-only. Если вижу, что серверной нет, — значит, проблема в железе.

5. Что будете делать, если Kubernetes-кластер стал действительно bare metal?

Во-первых, проверить, не сгорел ли он дотла. Во-вторых, если это физический bare metal — переходить на облако. Если облако тоже физический bare metal — звонить в МЧС.

6. Как настроить HPA, чтобы поды успевали убегать от дронов?

HPA не поможет. Нужно настраивать не Horizontal Pod Autoscaler, а Horizontal Pod Escape Pod. Поды должны уметь эвакуироваться в другой ЦОД. Но если дроны быстрее — это уже не HPA, а похоронное бюро.

7. Что будете делать, если у вашего сервиса не просто упал node, а упал весь ЦОД?

Активировать DR-план. Если он начинается со слов «найти уцелевший сервер» — переходить к плану Б: «найти уцелевшего сотрудника».

8. Объясните разницу между Blue-Green Deployment и красным уровнем воздушной опасности.

Blue-Green — это когда у вас два окружения, и вы переключаете трафик. Красный уровень — это когда у вас ноль окружений, и вы переключаетесь на выживание.

9. Как вы понимаете термин hot standby, если резервный ЦОД всё ещё горит?

Hot standby — это когда резервный ЦОД горячий. В буквальном смысле. И это не метафора.

10. Какой Prometheus alert вы настроите на появление дыма из серверной?

ALERT SmokeInDatacenter: если smoke_detector == 1 — отправить дежурному. Если fire_extinguisher_needed == 1 — вызвать пожарных. Если datacenter_exists == 0 — обновить резюме.

11. Был ли у вас опыт миграции инфраструктуры в режиме kubectl evacuate?

Да. Это когда ты вводишь kubectl evacuate --all, и система отвечает: Error: cluster not found. Потому что его уже нет.

12. Что вы будете делать, если terraform destroy выполнили без Terraform?

Это называется «физический terraform destroy». Обычно выполняется ракетой. В таком случае нужно проверить, не осталось ли уцелевших ресурсов. Если нет — начать с нуля.

13. Можно ли считать попадание БПЛА в серверную успешным Chaos Engineering экспериментом?

Нет. Это не Chaos Engineering. Это Chaos Incidents. Chaos Engineering — это когда ты сам выключаешь сервер, чтобы проверить устойчивость. А когда это делает враг — это уже не эксперимент, а реальность.

14. Сколько девяток доступности останется у сервиса после потери двух дата-центров?

Если у вас было три ЦОДа и вы потеряли два — у вас осталось 9. Но не девяток, а процентов. И это не SLA, а SOS.

15. Как отличить DDoS-атаку от атаки, после которой уже не нужен DDoS?

Если трафик вырос в 10 раз — это DDoS. Если трафик пропал полностью — это конец. DDoS не нужен, когда сервер уже уничтожен.

16. Что делать, если ваш disaster recovery plan начинается словами «найти уцелевший сервер»?

Начать с поиска уцелевшего сотрудника. Потому что сервер можно купить, а опытного SRE — нет.

17. Как объяснить менеджменту, что availability zone больше не available?

Показать им спутниковый снимок. И сказать: «Вот эта зона. Она была available. Теперь она — crater».

18. Какую метрику вы выберете для SLO: uptime, MTTR или количество уцелевших стоек?

Uptime — если сервис ещё работает. MTTR — если он ещё восстанавливается. Количество уцелевших стоек — если вы уже просто считаете убытки.

19. Как обеспечить георезервирование, если география стала основным фактором риска?

Перенести резервные ЦОДы на Луну. Там пока нет БПЛА. Но есть метеориты. Так что нужен ещё и метеоритный DR-план.

20. Что делать, если у вас Active-Active, но обе площадки перешли в состояние Inactive-Inactive?

Переименовать архитектуру в Passive-Passive. И молиться, чтобы хотя бы одна площадка вернулась в Active.

21. Как настроить fencing в кластере, если fencing уже произошёл физически?

Fencing — это когда один узел отключает другой. Если это произошло физически, значит, кто-то уже отключил ваш узел. Это не fencing, это саботаж.

22. Что делать, если ваш Witness в третьем ЦОДе первым перестал подавать признаки жизни?

Это значит, что третий ЦОД был уничтожен первым. А вы об этом узнали последним. Потому что Witness не успел сообщить.

23. Можно ли считать СХД отказоустойчивой, если данные пережили оборудование, но оборудование не пережило эксплуатацию?

Данные пережили оборудование — это успех. Но если оборудование не пережило эксплуатацию в боевых условиях — это уже не отказоустойчивость, а героизм.

24. Как рассчитать blast radius, если это больше не метафора из документации?

Blast radius — это радиус воронки. Если она больше, чем ваш DR-план, — план не работает.

25. Какой смысл в синхронной репликации, если оба ЦОДа синхронно перестали существовать?

Смысл был. Пока они существовали. Теперь это просто синхронное ничто.

26. Как реализовать автоматический failover, если решение о переключении принимает МЧС?

Никак. МЧС не поддерживает API. Пока нет.

27. Какой статус выставить в Grafana: CRITICAL, DOWN или NO LONGER EXISTS?

Если Grafana ещё работает — ставьте NO LONGER EXISTS. Если Grafana тоже упала — ставьте «уже неважно».

28. Как убедить финансового директора согласовать третий ЦОД, если первые два уже списаны как CAPEX?

Сказать: «Третий ЦОД — это не расход. Это страховка от того, что первые два списались как CAPEX. А если не согласуете — следующий CAPEX будет ваш личный».

29. Какой срок хранения бэкапов вы рекомендуете, если основная проблема — срок хранения самого хранилища?

Рекомендую хранить бэкапы в облаке. Но если облако тоже физическое — храните в голове. Или на бумаге. Но бумага тоже горит.

30. Как обеспечить пять девяток, если единственные девятки в проекте — это цифры в стоимости восстановления?

Никак. Пять девяток — это 99,999%. Если у вас 99,999% бюджета уходит на восстановление — у вас не пять девяток, а один ноль. И это ноль доступности.