SRE実務プラクティス SREのドキュメント文化｜RunbookとPlaybookの書き方・運用方法を徹底解説
「あの手順、〇〇さんに聞かないとわからない」——その状態が続いている組織は、障害時に必ず詰まります。 深夜2時にアラートが鳴って、担当エンジニアがオンコールに応答する。でも手順書がないか古くて信用できないため、ゼロから調査を始めることになる...
SRE実務プラクティス 
SRE実務プラクティス SRE本（Google著）を読む前に知っておくべき10の概念
Googleが著したSRE本（Site Reliability Engineering）を読む前に押さえておくべき10の重要概念を解説します。SLI/SLO/SLA・エラーバジェット・トイル・オンコール設計など、基礎知識を整理して読書効率を最大化する方法を説明します。
SRE実務プラクティス AWSの本番環境で障害が起きたときの初動対応チェックリスト
AWS本番環境で突然アラートが鳴り響く。「何から確認すればいいか迷って、貴重な初動5分を無駄にした」という経験は、SREであれば誰でも一度は通る道です。 初動対応で最も大切なのは「速さ」ではなく「順序の正しさ」です。闇雲にログを掘り始めても...
SRE実務プラクティス カオスエンジニアリング入門｜AWS FISで障害訓練を自動化する方法をSRE視点で解説
「本番環境が壊れていないのに、本当に壊れた時に対応できると言えますか？」 システムの可用性を数値で語るSREにとって、これは避けられない問いです。99.9%のSLOを掲げていても、実際に障害が起きたとき想定通りに復旧できるかどうかは、訓練な...
AWS監視・オブザーバビリティ OpenTelemetryとは？AWS CloudWatchとの連携方法をSRE視点で解説
監視ツールを入れるたびに、ベンダー固有のSDKを追加で組み込んでいませんか。 X-Rayのトレース、DatadogのAPM、PrometheusのExporter——それぞれ個別に設定していると、移行コストがどんどん膨らみます。特定のクラウ...
SRE実務プラクティス Toilとは何か？SREがToil削減に取り組む方法｜Google SRE流の自動化戦略を解説
SRE業務の中に「毎回手で同じことをやっている作業」はないでしょうか。 「デプロイのたびにSlackで通知を送っている」「毎朝ログを確認してCSVに貼り付けている」「サービス再起動をSSHで手動実行している」——こういった作業は、エンジニア...
SRE実務プラクティス オンコール設計のベストプラクティス｜疲弊しない体制の作り方をSRE視点で解説
オンコール対応が「特定の人に集中する」「深夜対応が続いて疲弊する」状態になっていませんか。 「またアラートが来た」「今週で3回目の深夜対応だ」「ちゃんと引き継ぎが完了していなくて障害の詳細を知らないまま対応しなきゃいけない」——こういった状...
AWS監視・オブザーバビリティ AWS X-Rayとは？分散トレーシングの仕組みと設定手順【入門ガイド】
マイクロサービス構成で障害が起きたとき、「どのサービスでエラーが発生したのか」を特定するのに何時間もかかった経験はないでしょうか。 ログを各サービスで個別に確認し、タイムスタンプを突き合わせ、原因にたどり着く頃には深夜になっている——このよ...
AWS監視・オブザーバビリティ オブザーバビリティの3本柱とは？メトリクス・ログ・トレースの違いと使い分けを解説
本記事では、SRE・インフラエンジニアが必ず押さえるべき オブザーバビリティの3本柱（メトリクス・ログ・トレース） の概念と、AWSでの実装方法を解説します。 この記事でわかること オブザーバビリティとモニタリングの違い メトリクス・ログ・...
SRE実務プラクティス インシデント対応フローの設計｜検知から復旧・振り返りまでSRE流に解説
本番環境で障害が起きたとき、「誰が何をすべきか」が曖昧なまま動いていませんか。 アラートが飛んでくる。Slackが騒ぎ始める。でも初動で5分・10分と時間を無駄にし、気づいたら「誰かが対応してると思ってた」という状況——これはフローが設計さ...