서비스 품질과 SRE

링크허브의 SRE 조직은 214명입니다. 별도 부서로 떨어져 있지 않고 각 서비스 개발 조직에 함께 앉습니다. 장애를 남의 일로 만들면 근본 원인이 고쳐지지 않기 때문입니다. 코드를 만든 팀이 그 코드를 새벽에도 지킵니다.

운영 원칙은 세 가지입니다. 첫째, 목표를 숫자로 정한다. 둘째, 목표를 넘겨 쓴 만큼은 새 기능 대신 안정화에 시간을 쓴다. 셋째, 장애 원인을 사람에게 묻지 않는다. 세 번째 원칙이 없으면 나머지 둘은 지켜지지 않습니다. 책임을 물으면 사람들은 장애를 숨기게 됩니다.

오류 예산이라는 개념을 씁니다. 가용성 목표가 99.9% 라면 한 달에 43.2분까지는 멈춰도 됩니다. 이 예산을 다 쓰면 그 서비스는 새 기능 배포를 멈추고 안정성 개선에만 집중합니다. 2025년 이 규칙이 발동된 사례는 4번이었습니다.

장애가 났을 때 가장 시간을 잡아먹는 것은 이게 얼마나 심각한 일인지 판단하는 과정입니다. 링크허브는 판단을 미리 해 두었습니다. 영향 범위와 서비스 중요도를 조합해 네 등급으로 나누고, 등급마다 소집 대상과 통지 의무를 고정했습니다. 최초 감지자는 판단하지 않고 규칙에 따라 등급만 매기면 됩니다.

P1 · P2 장애가 나면 7일 안에 포스트모템 보고서를 씁니다. 보고서에는 시간 순 경과, 근본 원인, 대응 과정에서 잘된 점과 아쉬웠던 점, 그리고 재발 방지 과제가 들어갑니다. 담당자 이름은 적지 않습니다. 누가 잘못했는지가 아니라 왜 그 실수가 시스템에서 걸러지지 않았는지를 묻습니다.

보고서는 전 임직원에게 공개됩니다. 2025년 작성된 포스트모템은 28건이었고, 여기서 나온 재발 방지 과제는 164개였습니다. 이 가운데 152개가 그해 안에 완료되었고 나머지는 2026년으로 넘어갔습니다. 과제 이행률은 분기마다 경영진에 보고합니다.

이용자에게는 상태 페이지로 알립니다. P1 은 15분, P2 는 30분 안에 첫 공지를 올리고, 이후 30분 간격으로 진행 상황을 갱신합니다. 원인이 확정되지 않아도 확정되지 않았다는 사실 자체를 알립니다. 아무 소식이 없는 것이 이용자에게는 가장 답답한 일이기 때문입니다.