# Stanovte bezpečné hranice automatické obnovy

Taiga Learning · Pracovní list
https://taiga.training/cs/lessons/self-healing/

Používejte fiktivní nebo schválené informace. Do pracovního listu nevkládejte tajné údaje.

## Cíle učení
- Odlišit self-healing od trvalé opravy softwaru.
- Definovat omezená pravidla obnovy a nezávislé kontroly úspěchu.
- Rozpoznat, kdy se automatizace musí zastavit a eskalovat.

## Cvičení
Navrhněte pravidla obnovy fiktivního workeru exportu z této lekce. Určete spouštěcí podmínku, výluky, povolenou akci, limit pokusů, prodlevu, kontrolu úspěchu a příjemce eskalace. Otestujte je proti výpadku databáze a neznámému selhání integrity dat.

## Vaše odpověď
- Scénář a rozsah:
- Předpoklady a otevřené otázky:
- Navržená odpověď nebo rozhodnutí s důvody:

## Ověřte odpověď
| Tvrzení nebo kritérium | Důkaz nebo test | Výsledek nebo nedostatek | Odpovědná osoba |
| --- | --- | --- | --- |
| | | | |
| | | | |
| | | | |

## Další akce
- Akce, odpovědná osoba a datum:
- Kdy tuto odpověď znovu posoudíte?

## Zásada k zapamatování
Self-healing potřebuje definované selhání, povolenou akci, měřitelný výsledek a podmínku zastavení. Opakování akce bez obnovy je další selhání.

## Zdroje
- [Kubernetes: Self-Healing](https://kubernetes.io/docs/concepts/architecture/self-healing/)
- [AWS Builders’ Library: Timeouts, retries, and backoff with jitter](https://aws.amazon.com/builders-library/timeouts-retries-and-backoff-with-jitter/)
- [Google SRE: Automation at Google](https://sre.google/sre-book/automation-at-google/)

Tento pracovní list podporuje učení. Jeho vyplnění samo nepovoluje produkční změnu.