SRE Roadmap: Lộ trình toàn diện trở thành kỹ sư SRE

Khi nhu cầu cân bằng giữa tốc độ phát triển và độ tin cậy (reliability) ngày càng cao, SRE đang nổi lên như một trong những nghề “khát” nhân lực nhất trong mảng DevOps và Cloud. Nếu bạn là DevOps Engineer, System Admin, hay Developer muốn thử sức ở một hướng đi tiềm năng, SRE roadmap được gợi ý trong bài viết này sẽ là kim chỉ nam giúp bạn định hình con đường sự nghiệp.

Đọc bài viết để hiểu rõ về:

• Trách nhiệm của Site Reliability Engineer;
• SRE roadmap: Lộ trình trở thành Site Reliability Engineer từng cấp độ;
• Các khóa học và chứng chỉ dành cho Site Reliability Engineer.

Trách nhiệm của Site Reliability Engineer

Để theo đuổi con đường trở thành SRE, trước tiên bạn cần hiểu rõ vì sao lại sinh ra vị trí này. Khái niệm Site Reliability Engineering được Google đưa ra từ đầu những năm 2000, với mục tiêu mang “engineering mindset” vào vận hành hệ thống. Thay vì “chạy theo” khắc phục sự cố, SRE chủ động xây dựng hệ thống tự động, giám sát chặt chẽ và quy trình chuẩn để giảm thiểu rủi ro và downtime.

Các trách nhiệm chính của một Site Reliability Engineer là:

• Giám sát và cải thiện hệ thống: Giám sát hiệu suất, hợp tác với nhà phát triển để ngăn ngừa lỗi, và cân bằng tốc độ phát triển với sự ổn định.
• Thiết kế hệ thống: Tạo ra các kiến trúc hệ thống mạnh mẽ, có khả năng phục hồi sau sự cố và chịu tải cao.
• Tự động hóa: Tự động hóa các tác vụ vận hành lặp lại để tăng hiệu quả và giảm thiểu lỗi do con người.
• Quản lý sự cố: Nhanh chóng khắc phục và giải quyết sự cố, đồng thời phân tích nguyên nhân gốc rễ để phòng ngừa trong tương lai.
• Đảm bảo tiêu chuẩn dịch vụ: Đảm bảo hệ thống đáp ứng và vượt qua các SLO và SLA đã cam kết.
• Phối hợp với nhóm phát triển: Hợp tác chặt chẽ với các nhà phát triển để tích hợp các phương pháp hay nhất về độ tin cậy vào quy trình phát triển phần mềm.

Đọc chi tiết: Site Reliability Engineer là gì: Kỹ năng cần có của mỗi kỹ sư SRE

SRE roadmap giai đoạn 1: Nắm vững kiến thức nền tảng

Kiến thức cần nắm

• Linux/Unix cơ bản: SRE hoạt động trên các máy chủ chạy hệ điều hành Linux/Unix, do đó kỹ sư SRE cần nắm chắc kiến thức về các hệ thống này để giải quyết vấn đề và quản lý hệ thống.
  • Học các lệnh cơ bản về thao tác tệp (ls, cp, mv), quản lý tiến trình (ps, kill) và xử lý văn bản (grep, awk)
  • Sau đó học về quyền tệp (chmod, chown) và các công cụ giám sát hệ thống như “top” và “htop” để gỡ lỗi sự cố.
• Lập trình và scripting cơ bản: SRE cần biết lập trình để tự động hóa và scripting.
  • Bắt đầu với Python (vòng lặp, hàm, xử lý file) để scripting đơn giản, Bash để tự động hóa tác vụ. 
  • Khi đã vững, có thể học thêm Go để viết công cụ hiệu năng cao. 
• Kiểm soát phiên bản (Version control): Các framework quản lý gói như Git cần được áp dụng khi cần quản lý mã và sửa đổi cơ sở hạ tầng.
  • Thành thạo Git với các thao tác cơ bản như commit, branch, merge, resolve conflict. 
  • Làm quen với GitHub/GitLab để quản lý code và tích hợp CI/CD. 
• Kiến thức cơ bản về mạng: SRE có vai trò đảm bảo các hệ thống luôn kết nối với nhau, vì vậy cần hiểu biết về mạng.
  • Các khái niệm cốt lõi: hệ thống tên miền (DNS), chia mạng con (subnet).
  • Các giao thức liên quan đến web, bao gồm giao thức TCP/IP và giao thức HTTP/HTTPS.
• Nền tảng đám mây: AWS, GCP, Azure và các nền tảng đám mây tương tự hiện nay là cốt lõi của hầu hết các cơ sở hạ tầng hiện tại và tương lai. Bạn có thể tìm hiểu bằng cách trải nghiệm bản miễn phí để tạo máy ảo và làm quen các dịch vụ lưu trữ như AWS S3 hoặc Azure blob storage và VPC.

Công cụ cần biết

• GitHub/GitLab: Với các tính năng như CI/CD tích hợp sẵn, quản lý kho lưu trữ và bảo mật tự động, GitHub/GitLab giúp quản lý code, cộng tác nhóm và các thao tác CI/CD cơ bản.
• Linux command line: thao tác, giám sát và gỡ lỗi hệ thống.

Đọc chi tiết: SRE là gì: Nguyên tắc, công cụ và số liệu quan trọng cần biết

SRE roadmap giai đoạn 2: Các kỹ năng trung cấp

Giai đoạn này tập trung vào việc mở rộng tầm nhìn của bạn về cách thực hiện SRE theo quy mô, tăng cường tự động hóa và hệ thống giám sát và triển khai hiệu quả. 

Kỹ năng cần có

• Hệ thống & cơ sở hạ tầng: Hiểu kiến trúc hệ thống phân tán, khả năng dự phòng, quản lý lỗi. Làm quen với các cơ chế cân bằng tải (load balancing), bộ nhớ đệm (caching), và và các cơ chế chuyển đổi dự phòng khác.
• Tìm hiểu cơ bản về DevOps: DevOps không thể tách rời khỏi SRE, vì vậy hãy trau dồi các khái niệm chính của DevOps như cộng tác, quy trình và công cụ. Tìm hiểu các phương pháp hay nhất về CI/CD để tự động hóa quy trình kiểm thử và triển khai khi thực hiện trong Jenkins, GitLab CI/CD hoặc GitHub Actions.

Đọc chi tiết: SRE vs DevOps: Cách phân biệt và Trường hợp sử dụng

• Tự động hóa và quản lý cấu hình: Học cách viết playbook hoặc công thức cho các tác vụ cụ thể, bao gồm triển khai máy chủ web, cấu hình cơ sở dữ liệu hoặc cập nhật hệ thống.
• Giám sát và logging: Giám sát giúp duy trì trạng thái hoạt động và năng suất của hệ thống, trong khi logging được sử dụng để phát hiện sự cố.
  • Tìm hiểu những kiến ​​thức cơ bản về các công cụ giám sát như Prometheus và Grafana trong việc cung cấp số liệu và cảnh báo theo thời gian thực. 
  • Tạo bảng thông tin phản ánh các yếu tố quan trọng nhất như mức sử dụng CPU, thời gian phản hồi và tỷ lệ lỗi.
• Docker và Container: Sử dụng container giúp việc triển khai và mở rộng ứng dụng dễ dàng và đáng tin cậy hơn.
  • Tìm hiểu về Docker, công cụ được sử dụng để tạo, quản lý và triển khai các ứng dụng container. 
  • Học thêm về networking trong container, volumes, multi-stage builds để tối ưu hiệu suất.

Đọc chi tiết loạt bài Docker trên ITviec.

Công cụ hữu ích

• Prometheus: Hệ thống giám sát nguồn mở với ngôn ngữ truy vấn mạnh mẽ, giúp thu thập và lưu trữ số liệu trong cơ sở dữ liệu chuỗi thời gian, cho phép cảnh báo và phân tích theo thời gian thực.
• Grafana: Nền tảng trực quan hóa tích hợp với nhiều nguồn dữ liệu, bao gồm Prometheus, để tạo bảng thông tin toàn diện nhằm theo dõi số liệu và log.
• New Relic: Nền tảng quan sát dựa trên đám mây, cung cấp bộ công cụ để theo dõi hiệu suất ứng dụng, theo dõi người dùng thực và thiết lập chính sách cảnh báo.
• Ansible: Công cụ tự động hóa, quản lý cấu hình và điều phối “batteries included”, có khả năng học nhanh và đủ linh hoạt cho mọi kiến ​​trúc. Đây là lựa chọn hoàn hảo để tự động hóa các tác vụ lặp lại, tăng tần suất triển khai và vận hành cơ sở hạ tầng ở quy mô lớn.
• Elasticsearch, Logstash và Kibana (ELK Stack): Bộ công cụ nguồn mở giúp phân tích và trực quan hóa dữ liệu log và metrics từ các hệ thống phân tán. Nhờ có ELK, kỹ sư SRE có thể nhanh chóng phát hiện các bất thường, xác định nguyên nhân gốc rễ của sự cố và giám sát hiệu suất hệ thống theo thời gian thực.
• Splunk: Phần mềm tìm kiếm, phân tích và trực quan hóa dữ liệu do máy tạo ra được thu thập từ các trang web, ứng dụng, cảm biến, thiết bị,… ở quy mô lớn.
• Graylog: Nền tảng quản lý log nguồn mở, phân tích log nhanh chóng và hiệu quả, với giao diện thân thiện và kiến ​​trúc có thể mở rộng.

SRE roadmap giai đoạn 3: Nâng cao kỹ năng SRE

Ở giai đoạn này, bạn cần nắm vững các phương pháp chính để xây dựng các hệ thống có khả năng mở rộng và đáng tin cậy, đồng thời hoàn thiện khả năng tự động hóa và ứng phó sự cố. 

Kỹ năng cần có

• Service-level objective (SLO): Biết cách định nghĩa và sử dụng SLO để cân bằng giữa tốc độ phát triển và độ tin cậy, từ đó quyết định ưu tiên kỹ thuật (trả nợ kỹ thuật hay phát triển tính năng mới).
• Khả năng mở rộng và tính khả dụng cao: Đi sâu tìm hiểu cách thiết kế hệ thống hiệu quả. Nắm vững các khái niệm: load balancing, database sharding, caching, cùng các mô hình active-active và active-passive để đạt độ khả dụng cao, hạn chế downtime.
• Kỹ năng nâng cao về nền tảng đám mây và mạng: Làm quen auto-scaling groups, serverless function, dịch vụ Kubernetes được quản lý. Hiểu về mạng cơ bản như VPN, private subnet, peering và CDN. 
• Quản lý sự cố và RCA (root cause analysis – phân tích nguyên nhân gốc rễ): Tìm hiểu quy trình phân tích sau sự cố (post-mortem) để xác định nguyên nhân cốt lõi và đề ra các biện pháp khắc phục. 
• Kỹ năng tự động hóa và scripting nâng cao: Trau dồi kỹ năng tự động hóa, thành thạo lập trình với Python hoặc Go và API để thực hiện các tác vụ đồng bộ trên nhiều hệ thống. Khám phá các giải pháp IaC (Infrastructure as Code) như Terraform, CloudFormation và cách triển khai các quy trình CI/CD phức tạp hơn.

Công cụ hữu ích

Công cụ CI/CD & Automation

• Jenkins: Máy chủ tự động hóa nguồn mở, được sử dụng để xây dựng, thử nghiệm và triển khai phần mềm, cung cấp nhiều plugin hỗ trợ CI/CD.
• Spinnaker: Nền tảng phân phối liên tục đa đám mây, giúp đảm bảo độ tin cậy, tính khả dụng và hiệu suất của hệ thống sản xuất.
• GitLab CI/CD: Một phần của nền tảng GitLab tự động hóa toàn bộ quy trình phát triển phần mềm, từ xây dựng đến triển khai.
• CircleCI: Nền tảng CI/CD dựa trên đám mây tự động hóa quy trình phát triển phần mềm, cho phép các nhóm xây dựng, thử nghiệm và triển khai ứng dụng nhanh chóng.

Công cụ ứng phó sự cố

• PagerDuty: Nền tảng ứng phó sự cố tích hợp với hệ thống giám sát, tự động hóa cảnh báo, quản lý lịch trực và điều phối xử lý.
• Opsgenie: Công cụ quản lý sự cố linh hoạt, tổng hợp cảnh báo, điều phối và quản lý trực ban, phân phối đến đúng người phụ trách.
• VictorOps: Công cụ hỗ trợ ứng phó sự cố theo thời gian thực, tăng cường giao tiếp và đẩy nhanh tốc độ xử lý.

Công cụ Infrastructure as Code

• CloudFormation: Dịch vụ do AWS cung cấp, cho phép tạo và quản lý bộ tài nguyên liên quan của AWS và bên thứ ba, đồng thời cung cấp và quản lý chúng một cách nhất quá và có thể dự đoán được.
• Terraform: Công cụ IaC phổ biến, hỗ trợ đa nền tảng, giúp định nghĩa, triển khai và quản lý hạ tầng an toàn, hiệu quả bằng tệp cấu hình khai báo.

SRE roadmap giai đoạn 4: Trở thành chuyên gia

Đây là giai đoạn bạn chuyển từ kỹ sư thực thi sang lãnh đạo chiến lược trong lĩnh vực SRE. Trọng tâm là thiết kế được hệ thống phân tán quy mô lớn, nâng cao độ tin cậy, mở rộng tính khả dụng của hệ thống và xây dựng văn hóa vận hành bền vững cho tổ chức.

Kỹ năng cần có

• Thiết kế hệ thống tiên tiến: Áp dụng các nguyên tắc thiết kế và kiến ​​trúc tiên tiến để xây dựng các hệ thống phân tán quy mô lớn, cho các ứng dụng có cường độ tải rất cao với tỷ lệ downtime tối thiểu. Khám phá sâu hơn vào các lĩnh vực microservice, sao chép dữ liệu, hệ thống đồng thuận phân tán và dự đoán, ví dụ như Paxos và Raft.
• Kỹ thuật phục hồi: Chủ động xây dựng độ tin cậy của hệ thống, kết hợp các nguyên tắc kỹ thuật phục hồi. Ngoài ra, hãy tìm hiểu các thí nghiệm kỹ thuật chaos bằng các công cụ như Chaos Monkey để xác định bất kỳ điểm yếu nào.
• Lập kế hoạch năng lực và tối ưu hóa hiệu suất (Capacity Planning & Performance Tuning): Nắm vững cách phân tích các xu hướng lịch sử để có thể dự đoán chính xác nhu cầu và tránh hạn chế tài nguyên. Thành thạo tối ưu hóa truy vấn, phân bổ tài nguyên hợp lý, đo lường hiệu năng.
• Giám sát và cảnh báo nâng cao: Áp dụng các phương pháp luận để xác định mức độ rủi ro, ảnh hưởng và phản ứng cho hệ thống phức tạp; tạo ra các kỹ thuật giám sát chính xác.
• Lãnh đạo và cố vấn: Đào tạo các kỹ sư SRE mới, truyền đạt kiến thức qua documentation, review code và coaching; dẫn dắt nhóm làm việc với các phòng ban khác.
• Thực hành bảo mật: Tích hợp bảo mật vào mọi lớp thiết kế hệ thống, từ xác thực (OAuth, SAML), mã hóa dữ liệu, đến bảo vệ hạ tầng (firewall, secure instances).

Công cụ cần có

Công cụ Quản lý cấu hình

• Chef: Nền tảng tự động hóa mạnh mẽ, chuyển đổi hạ tầng thành mã (Infrastructure as Code), giúp tự động xây dựng, triển khai và quản lý hệ thống.
• Puppet: Công cụ quản trị tự động, quản lý hạ tầng trong suốt vòng đời từ cung cấp, cấu hình đến điều phối và báo cáo.
• SaltStack: Phần mềm quản lý cấu hình mã nguồn mở dựa trên Python, hỗ trợ thực thi từ xa và triển khai đám mây với phương pháp IaC.

Công cụ giám sát

• Jaeger: Hệ thống theo dõi phân tán đầu cuối, mã nguồn mở, được thiết kế để giám sát và khắc phục sự cố cho các hệ thống phân tán dựa trên microservice. Jaeger giúp theo dõi các yêu cầu khi chúng chạy qua các hệ thống phân tán phức tạp, xác định điểm nghẽn hiệu suất và hiểu rõ hành vi của hệ thống. Jaeger hỗ trợ các tiêu chuẩn OpenTracing, cho phép đo lường ứng dụng độc lập với nhà cung cấp.
• OpenTelemetry: Framework chuẩn hóa việc thu thập dữ liệu đo lường (metrics, logs, và traces) từ các ứng dụng. Cung cấp API và thư viện thống nhất, cho phép đo lường mã chỉ một lần và gửi dữ liệu đến bất kỳ nền tảng nào. Mục tiêu của OpenTelemetry là biến khả năng quan sát thành một tính năng cốt lõi, giúp đơn giản hóa việc giám sát và khắc phục sự cố trong các hệ thống phân tán.

Các kỹ năng mềm mà kỹ sư SRE cần trau dồi

Một SRE roadmap không chỉ bao gồm kiến thức kỹ thuật và công cụ. Đây là những kỹ năng mềm mà bất kỳ Site Reliability Engineer nào cũng phải trau dồi trong hành trình phát triển sự nghiệp:

• Giao tiếp rõ ràng: Trong các tình huống khẩn cấp, SRE phải truyền đạt nhanh chóng và chính xác tình trạng sự cố, nguyên nhân, và hướng khắc phục đến cả đội kỹ thuật lẫn quản lý, đảm bảo mọi người đều nắm bắt thông tin chính xác. Kỹ năng giao tiếp hiệu quả giúp xây dựng sự minh bạch và niềm tin – nền tảng của văn hóa blameless post-mortem của SRE.
• Hợp tác nhóm: SRE luôn làm việc chặt chẽ với Dev và Ops. Kỹ năng phối hợp tốt giúp chia sẻ kiến thức, giải quyết sự cố nhanh chóng, và đồng xây dựng giải pháp tự động hóa, tạo ra một quy trình vận hành liền mạch.
• Khả năng thích ứng: Hệ thống luôn thay đổi, công nghệ luôn cập nhật. Một SRE giỏi phải sẵn sàng học hỏi, thử nghiệm giải pháp mới để tối ưu hóa hệ thống và ứng phó với tình huống bất ngờ. Kỹ năng này đảm bảo bạn luôn đi đầu trong việc áp dụng các phương pháp tốt nhất để duy trì sự ổn định và hiệu suất của hệ thống.
• Tư duy hướng khách hàng: Đây là kỹ năng quan trọng của SRE, vì mục tiêu cuối cùng là đảm bảo trải nghiệm người dùng tốt nhất. Kỹ sư SRE cần có kỹ năng nhận biết mức độ ưu tiên cho các công việc dựa trên tác động trực tiếp đến khách hàng, đảm bảo luôn mang lại giá trị thực sự cho người dùng cuối.
• Khả năng phục hồi & quản lý căng thẳng: Công việc của các kỹ sư SRE thường xuyên đối mặt với áp lực cao, đặc biệt khi có sự cố nghiêm trọng xảy ra. Một SRE cần giữ bình tĩnh, suy nghĩ logic để ra quyết định chính xác, ngoài ra cần học hỏi từ thất bại và nhanh chóng trở lại trạng thái sẵn sàng cho các sự cố tiếp theo.

Các khóa học và chứng chỉ hữu ích dành cho Site Reliability Engineer

Cấp độ cơ bản

Cấp chuyên gia

Các câu hỏi thường gặp về SRE roadmap

Tương lai công việc Site Reliability Engineer như thế nào?

Theo Geeksforgeeks, nhu cầu về các kỹ sư SRE đủ tiêu chuẩn gia tăng khi các doanh nghiệp ngày càng phụ thuộc vào cơ sở hạ tầng đám mây và dịch vụ kỹ thuật số. Nhu cầu này được nhìn thấy rõ ràng trong một số lĩnh vực điển hình như chăm sóc sức khỏe, tài chính và công nghệ.

SRE có thể thăng tiến thành các CTO, chuyên gia SRE, Quản lý kỹ thuật… Ngoài ra, bạn có thể đảm nhận các công việc lãnh đạo kỹ thuật nhờ sở hữu các kỹ năng quan trọng và có thể chuyển giao được trong các vai trò SRE. Đồng thời có cơ hội làm việc với công nghệ tiên tiến bao gồm nền tảng đám mây, công cụ tự động hóa và công nghệ container (ví dụ: Docker, Kubernetes).

Nên chọn kỹ sư SRE hay kỹ sư DevOps?

Việc trở thành một kỹ sư DevOps dễ dàng hơn nhờ sự phong phú của các công cụ DevOps và bạn không cần quá nhiều kỹ năng lập trình. Còn SRE thường tập trung vào việc duy trì độ tin cậy ở quy mô lớn, gắn chặt với lập trình và tự động hóa. Do đó đây là con đường có thể mang lại cơ hội nghề nghiệp dài hạn, mức lương cao hơn, đặc biệt khi nhiều doanh nghiệp đang ưu tiên xây dựng hệ thống phân tán bền vững.

Kỹ sư SRE thường phải đối mặt với những thách thức nào?

Cân bằng giữa độ tin cậy và tốc độ phát triển:

• Thách thức: Cung cấp các tính năng nhưng vẫn đảm bảo hệ thống đáng tin cậy.
• Giải pháp: Thiết lập SLO rõ ràng và triển khai các quy trình CI/CD để triển khai nhanh hơn và đáng tin cậy hơn. Đảm bảo tự động hóa các tác vụ thường xuyên để giảm bớt công sức.

Quản lý các hệ thống phân tán phức tạp:

• Thách thức: Độ phức tạp ngày càng tăng trong các hệ thống phân tán, các hệ thống hiện đại rất phức tạp và phụ thuộc lẫn nhau.
• Giải pháp: Giới thiệu khả năng quan sát hoặc số liệu, logging và theo dõi. Sử dụng các microservices với thiết kế mô-đun.

Quản lý và ứng phó sự cố:

• Thách thức: Khối lượng lớn sự cố cần giải quyết nhanh chóng và giảm thiểu tác động.
• Giải pháp: Diễn tập ứng phó sự cố hỗn loạn và phục hồi sau thảm họa. Sổ tay hướng dẫn vận hành phải chứa đựng thông tin chi tiết giúp cải thiện khả năng ứng phó.

Quản lý tài nguyên và tối ưu hóa chi phí:

• Thách thức: Quản lý đám mây và tài nguyên của chúng, đồng thời kiểm soát chi phí.
• Giải pháp: Sử dụng công nghệ tự động mở rộng và không cần máy chủ. Thực hiện kiểm tra thường xuyên để theo dõi mức sử dụng đám mây như một cơ chế tối ưu hóa.

Đảm bảo an ninh và tuân thủ:

• Thách thức: Bảo mật hệ thống và tuân thủ các tiêu chuẩn.
• Giải pháp: Triển khai các biện pháp bảo mật tốt nhất và tự động hóa việc kiểm tra tuân thủ. Thực hiện kiểm tra bảo mật và kiểm tra xâm nhập thường xuyên.

Cân bằng công việc & cuộc sống

• Thách thức: On-call liên tục, áp lực cải tiến, làm việc từ xa dễ gây mất cân bằng.
• Giải pháp: Thiết lập lịch on-call công bằng, phân công rõ ràng; tự động hóa tác vụ lặp lại; đầu tư cho học tập và phát triển để duy trì động lực.

Tổng kết

Hành trình trở thành Site Reliability Engineer đòi hỏi kết hợp giữa tư duy vận hành và kỹ năng lập trình, tập trung vào việc tự động hóa, giám sát và cải thiện độ tin cậy của hệ thống. Bằng cách nắm vững các công cụ, kỹ năng và kiến thức quan trọng trong SRE roadmap mà ITviec vừa chia sẻ, hi vọng bạn sẽ dễ dàng nắm bắt cơ hội nghề nghiệp hấp dẫn và nhanh chóng thăng tiến trong lĩnh vực này.