本章では、システムを安定的に運用するための監視・ログ管理・SRE（Site Reliability Engineering）の考え方を学ぶ。
障害を未然に防ぎ、発生時に迅速に復旧するための仕組みを理解し、 「運用できるシステム設計力」を身につけることを目的とする。
1. SRE（Site Reliability Engineering）とは
SREは、システムの信頼性をソフトウェアエンジニアリングで実現する考え方である。
- 可用性（Availability）の向上
- パフォーマンスの最適化
- 障害対応の効率化
Googleが提唱した概念であり、現代の運用の標準となっている。
2. 監視（Monitoring）の基本
監視は、システムの状態を継続的に把握するための仕組みである。
■ 監視の対象
- CPU / メモリ使用率
- ネットワークトラフィック
- アプリケーションのレスポンス
- エラー率
■ 4つの重要指標（Golden Signals）
- Latency（遅延）
- Traffic（トラフィック）
- Errors（エラー）
- Saturation（飽和度）
これらを監視することで、システムの健全性を把握できる。
3. ログ管理
ログは、システムの状態や動作履歴を記録する重要な情報源である。
■ ログの種類
- アプリケーションログ
- アクセスログ
- エラーログ
■ ベストプラクティス
- 構造化ログ（JSON形式）
- 一元管理（集中ログ管理）
- ログレベルの適切な設定（INFO / WARN / ERROR）
ログはトラブルシューティングの最重要手段である。
4. アラート設計
異常を検知した際に通知する仕組みがアラートである。
■ 良いアラートの条件
- 即時対応が必要なものだけ通知
- ノイズを減らす（アラート疲れ防止）
- 具体的な対応方法が分かる
アラート設計の質が、運用効率を大きく左右する。
5. SLI / SLO / SLA
信頼性を定量的に管理するための指標。
- SLI（Service Level Indicator）：測定指標（例：成功率）
- SLO（Service Level Objective）：目標値（例：99.9%）
- SLA（Service Level Agreement）：契約上の保証
これにより、システム品質を数値で管理できる。
6. インシデント対応
障害発生時の対応プロセスを事前に設計しておくことが重要である。
- 検知（Detection）
- 対応（Response）
- 復旧（Recovery）
- 振り返り（Postmortem）
特にポストモーテムは、再発防止に不可欠である。
7. 可観測性（Observability）
システム内部の状態を外部から理解できる能力を指す。
■ 3つの柱
- Metrics（数値データ）
- Logs（ログ）
- Traces（分散トレーシング）
これらを組み合わせることで、 複雑なシステムの問題を迅速に特定できる。
8. 実務における設計指針
- 監視は後付けではなく設計段階から組み込む
- ログは構造化して検索しやすくする
- アラートは最小限かつ重要なものに限定
- 自動化（Auto Recovery）を積極的に導入
運用の質は、システムの価値を大きく左右する。
まとめ
本章では、監視・ログ・SREの基本を理解した。
- SREにより信頼性を設計できる
- Golden Signalsでシステム状態を把握
- ログは問題解決の鍵
- SLI / SLOで品質を数値化
- 可観測性で複雑な問題に対応
これにより、システムを安定して運用するための基盤が整った。
