サイト信頼性エンジニアリング (SRE) とは？
サイト信頼性エンジアリングとは、運用プロセスを活用して、それらをソフトウェアエンジニアリングチームに割り当てて自動化するプロセスのことです。
Google の Ben Treynor Sloss 氏が「SRE」という言葉を創造
SRE の立案者である Google の Ben Treynor Sloss 氏は、「運用と呼ばれていたタスクをソフトウェアエンジニアが引き受けると起きること」が SRE であると言い表しています。機能が何も壊さず、エンドユーザーが不便にならず、開発期間に不都合がないことを望む人と、新しい機能を開発し、ロールアウトの準備ができたら直ちにリリースすることを望む人との間の矛盾を検証した結果、この概念が生まれました。SRE は双方の妥協点なのです。
Google エンジニアチームが SRE に関する本を執筆
Google は SRE に関する本を公開して、オンライン上で無料で入手できるようにしています。この本では、SRE が果たす役割と実行に関する推奨されるベストプラクティスを詳細に解説しています。パート 2 は原則、パート 3 はプラクティスに関するものであり、それぞれ注目に値します。
SRE の原則：Google によると、SRE の核となる原則は次のとおりです。
- リスクの受け入れ：エラーバジェットを使う中立的なアプローチによりサービスを管理します。
- サービスレベル目標：契約から切り離した指標に関する推奨事項を示し、SRE で使用される用語を検証します。
- トイルの削減：価値のない日常的なタスクや反復的なタスクから離れることです。
- 分散したシステムの監視：信頼性を確保するために、組織内で起きている出来事に常に目を光らせます。
- リリースエンジニアリング：リリースに整合性があり、機能停止の原因とならないように、リリースを慎重に処理します。
- シンプル：システムが複雑になりすぎると、信頼性が低下し、シンプルなものに戻すことができません。
SRE のプラクティス：SRE は外部や内部ユーザー用の関連システムを実行し、サービスの責任を担います。サービスの運用を成功させる要因には、キャパシティ計画、機能停止の根本原因への対処、監視システムの開発などがあります。Google は、信頼できるサービスを次のように階層化しています。
- 製品：信頼性階層の最上位。製品が機能し、信頼できることを示します。
- 開発：企業内でのソフトウェアエンジニアリングとシステム設計作業です。
- キャパシティ計画：構築済みのキャパシティをロードバランシングによって適切に使用します。
- テストとリリースの手順：不具合の内容を把握した後に、それを積極的に防止します。製品を注意深くテストしてからリリースします。
- インシデント後の対処/根本原因分析：非難するのではなく、インシデントが繰り返し発生するのを防止するために問題に対処する文化を築きます。
- インシデント応答：オンコールの体制を取り、システムの状態を把握し、効果的なトラブルシューティングを実施し、慎重な計画を事前に立てておきます。
- 監視：エンドユーザーが気づく前に問題を認識します。
優れた SRE には経験が必要
サイト信頼性エンジニアリングの役割を最適に実行できるのは、ソフトウェアの経験が豊富な人です。決して初心者に勧められるポジションではありません。SRE の業務を適切に実行するためには、熟練したソフトウェアエンジニアリングと、大規模で複雑なシステムの理解が必要です。
SRE とは哲学である
サイト信頼性エンジニアリングのポジションには、必要とされる心構えがあります。技術的なスキルは必要ですが、重要なのは運用の概念を理解することです。SRE では従来型のソフトウェア開発を基盤にすることも重要ですが、企業のプロセスを総合的に理解し、信頼性の高いシステムを促進することも非常に重要です。
SRE は変更を促す触媒である
SRE の重要な原則を適用して、可能な限り信頼性を上げることは、組織内の全員の仕事であるべきです。各チームに信頼性のモデルを適用し、各チームでモデルがどのように適応し、チーム全員にどのように影響を及ぼすかについて話し合う時間を取ります。
ビジネスに合わせて拡張できる機能
次の SRE 変革計画は、 ServiceNow のソリューションを使用して作成しましょう。