Stabilisez avant d'enquêter : si le timing correspond au déploiement, faites d'abord un retour arrière ou stoppez le déploiement. Comparez ensuite l'ancienne et la nouvelle version sur les mêmes tableaux de bord, regardez le taux d'erreur et la saturation à côté de la latence, et déterminez si le pic est uniforme ou isolé sur un endpoint, un shard ou une zone. Les traces montrent quel saut a grossi. L'analyse de cause racine vient une fois les utilisateurs en sécurité.
Pourquoi les recruteurs posent cette question
C'est la simulation SRE de base, et les recruteurs se soucient bien plus de votre ordre de priorité que de votre hypothèse. Ils veulent l'atténuation avant le diagnostic, des preuves rassemblées du général au particulier, et des vérifications explicites de l'hypothèse selon laquelle le déploiement est la cause. Le silence sur la communication et les rôles d'incident est un manque fréquent.
Comment structurer votre réponse
- Atténuez d'abord : retour arrière ou pause du déploiement, puis déclarez l'incident.
- Confirmez l'impact face au SLO pour que la gravité soit ancrée dans des chiffres.
- Réduisez le rayon d'impact : quel endpoint, quelle version, quel shard, quelle zone.
- Servez-vous des traces pour trouver le saut qui a grossi, puis corrélez avec le diff.
- Vérifiez la reprise avec le SLI vu par l'utilisateur avant de lever l'alerte.
Exemple de réponse
Première chose, j'arrête l'hémorragie. Si un déploiement est parti il y a vingt minutes et que la latence a triplé, c'est un retour arrière jusqu'à preuve du contraire, et j'accepte volontiers d'avoir tort sur la causalité pendant que les utilisateurs vont bien. En parallèle, je déclare un incident pour que quelqu'un porte la communication, parce que les pires incidents que j'ai vécus sont ceux où les trois mêmes personnes déboguaient et répondaient aux questions dans cinq canaux. Ensuite je vérifie si c'est uniforme. Tous les endpoints ou un seul ? Tous les pods ou seulement le nouveau ReplicaSet ? Une zone de disponibilité ? Ça effondre en général l'espace de recherche tout de suite. À partir de là, je tire une trace exemplaire d'une requête lente et je regarde où le temps est vraiment parti. On a eu un cas comme ça où le nouveau build ajoutait un appel de log anodin dans une boucle, qui faisait une résolution DNS à chaque itération, donc l'arbre de spans l'a rendu évident en quelques secondes. Après le retour arrière, je confirme que le p99 est repassé sous le SLO avant de clore quoi que ce soit.
Vous passez cet entretien bientôt ? GhostPilot écoute votre appel en direct, repère la question dès qu'elle est posée et affiche une réponse structurée à l'écran en temps réel. Essayez-le lors de votre prochain entretien blanc, ou prenez un Session Pass à $29, sans abonnement, pour le jour J.
Voir comment ça marcheQuestions de relance à prévoir
- Et si le retour arrière est impossible à cause d'une migration de schéma ?
- Comment distingueriez-vous un pic dû au déploiement d'un changement organique de trafic ?
- Que vérifieriez-vous si une seule zone de disponibilité était touchée ?
Autres questions pour Ingénieur SRE
Votre recruteur posera sa propre version de celle-ci. Collez votre véritable fiche de poste dans le Question Predictor gratuit et obtenez les 20 questions que ce poste a le plus de chances de poser, avec ce que chacune cherche vraiment à sonder.
Prédire mes questions