#SRE
9 件の記事
SRE 実践 #5 ポストモーテム — 非難なき振り返りとアクションアイテムの事後管理
障害を組織の学習に変えるポストモーテムの運用を扱います。非難なし(blameless)が温情主義ではなく情報獲得の戦略である理由、どの障害にポストモーテムを書くかを決めるトリガー基準、タイムライン・影響・原因分析・アクションアイテムへ続くテンプレート、人のミスで止まらずシステムの原因まで掘り下げる問いの立て方、そしてアクションアイテムが放置されないための追跡ルールまで扱います。
SRE 実践 #4 オンコール運用 — ローテーション、エスカレーション、負荷管理
持続可能なオンコール体制の設計を扱います。ローテーションが成立する最低人数と勤務編成の方式、一次対応者が詰まったときのためのエスカレーションチェーン、シフトを引き継ぐときのハンドオフのルーチン、シフトあたりのページ件数で負荷を測定して上限を設ける理由、オンコール中に見つけた問題を返済するフォローアップ時間の確保、そして報酬と文化まで、オンコールが燃え尽き製造機にならないための条件を扱います。
SRE 実践 #3 アラート設計 — 症状ベースの通知とマルチウィンドウ・バーンレート
深夜に人を起こす価値のあるアラートだけを残す設計を扱います。原因ベースのアラート(CPU 高負荷)ではなく症状ベースのアラート(ユーザーリクエストの失敗)へ移行すべき理由、ページとチケットを分ける基準、バーンレートアラートを短いウィンドウと長いウィンドウの組み合わせで作り誤検知と見逃しを同時に減らすマルチウィンドウ構成、アラート疲れを測定して減らす運用ルーチンまで扱います。
SRE 実践 #2 エラーバジェット運用 — ポリシー文書とバーンレート
エラーバジェットを概念から運用ツールへ変える方法を扱います。バジェットが尽きたとき何をするかを障害の前に合意しておくエラーバジェットポリシー文書、フィーチャーフリーズが実際に機能するための経営層の合意、バジェットが減る速度を表すバーンレートの計算、速い消費と遅い消費を区別して対応する方法、リリース判断にバジェットをつなぐ実務パターンまで扱います。
SRE 実践 #1 SLI・SLO 設計 — 何を測り、いくつの 9 を約束するか
SRE 実践シリーズの第 1 回として、SLI と SLO を実際に設計するプロセスを扱います。ユーザージャーニーから測定対象を選ぶ方法、良い SLI が good/total の比率になる理由、ロードバランサー・サーバー・クライアントのどこで測るかのトレードオフ、SLO の数値を現在の性能から出発させるべき理由、測定ウィンドウの選択、そして SLO 仕様書に必ず書くべき項目まで扱います。
インシデントハンドリングの基本 — 障害対応で最も重要なこと
障害対応を、有能な個人ではなく手順で回るようにする方法を整理します。復旧が原因究明より先という原則、指揮・伝達・調査の役割分離、深刻度の等級と宣言の基準、非難のないポストモーテムの書き方、オンコールを持続可能にする条件まで扱います。
エラーバジェット — 障害を許容する予算の概念と計算
SLO から派生するエラーバジェットの概念と計算法を整理します。予算の大きさを時間とリクエスト数に換算する方法、消費速度(バーンレート)ベースのアラートがしきい値アラートより優れる理由、予算枯渇時のポリシー、デプロイ速度と安定性の対立をルールに変える運用法まで扱います。
SLI・SLO・SLA の区別 — 指標から目標、契約まで
混同しやすい SLI、SLO、SLA の三つの用語を実務の順序で整理します。良い SLI の選び方(成功リクエスト比率の方式)、SLO の数値を決める現実的な方法、SLA が SLO より緩くあるべき理由、ナイン(9)の感覚とよくある間違いまで、例とともに扱います。
SRE と DevOps の違い — 重なる場所と分かれる場所
SRE と DevOps がそれぞれ何で、どこで重なりどこで分かれるのかを整理します。文化・哲学としての DevOps とその実装としての SRE、信頼性を数字で契約する SRE 固有の道具(SLO・エラーバジェット)、組織で二つの役割が実際に分かれる形、求人票の読み方まで扱います。