インシデントと事故対応

（事業・管理）

1）定義と目的

インシデント-SLO/セキュリティ/コンプライアンスに違反したり、顧客、お金、データ、評判にリスクをもたらすイベント。
反応の目標：迅速にサービスを復元し、損傷を最小限に抑え、証拠を修正し、透明に通信し、繰り返しを防ぐ。

主な原則

最初に安全：特徴上の人々/データ/お金を保護します。
窒息する喉：1人のインシデントコマンダー（IC）が決定を下します。
実行可能になりました：各仮説に続いて、テスト/アクションが続きます。
証拠は重要です：すべてが記録され、アーティファクトが署名され、タイムラインが詳細です。

2）分類（重大度と優先度）

トリガー：SLO違反、アラートルール、手動レポート、法的インシデント（DPO/CCO）。

3）役割と責任（RACI）

インシデントコマンダー（A）-インシデントリーダー、タスク設定、意思決定、長いインシデントのためのIC変更。
Tech Lead （R）-技術診断/修正、SRE/エンジニアリング調整。
Comms Lead （R）-ステータスページの所有者であるステータスアップデート（内部/外部）を書き込みます。
Scribe （R）-プロトコル、タイムライン、アーティファクトの収集。
セキュリティ/法的（セキュリティケースのC/A）-リスク評価、必須通知。
カスタマーサポート（C）-応答テンプレート、チケットルーティング。
パートナー連絡（C）-プロバイダ/テナントとのコミュニケーション。
管理（I）-情報、ビジネスの意思決定（ローン/補償）。

4）最初の15分（テンプレート）

1.ICを割り当て、インシデントカード（チャットチャンネル、ビデオブリッジ、Jira/トラッカー）を開きます。
2.SEVを割り当て、SLO症状を修正します（正確に違反されているもの）。

• runbooks/runesを含んで下さい：サーキットブレーカ、スロットリング、ルートの切換え、一時停止のプロモーション；
• 妥協の場合-キルスイッチの機密機能。
• 4.コマンド：Tech Lead-Diagnostics；Comms-「テクニカルホールド」（10〜15分で-最初の更新）。
• 5.仮説の特定（3つの最大）、所有者の割り当て、検証のタイマーの設定（5〜10分）。
• 6.アーティファクトの収集：メトリックのスナップショット、構成、リリースハッシュ、'trace_id'のログ、領収書。

5）最初の時間（型紙）

コミュニケーションv 1（15-20分）：事実、到達、症状、私たちが何をするか、次のアップデート。憶測はありません。
インシデント境界：影響を受けるリージョン/テナント/チャンネル/バージョン。
ダメージコントロール：一時的なキャップ/制限、「騒々しい」統合の切断、劣化モードの活性化。
フォレンジック：ログの回転を凍結し、アーティファクト（WORM/署名）を保護します。
回復ロードマップ：チェックポイント付きのT+30/T+60。

6）コミュニケーションとステータスページ

内部間隔：P1-15分毎、P2-30-60分。
外部：ステータスページ/テナント/SLAパートナー。

• あなたが見ることができるもの：「X： YY UTCでは、EU地域でのチェックアウト障害の増加（p95> 250ミリ秒）」
• 影響を受ける：「A/B/C演算子~トラフィックの40％」
• 私たちは何をすべきか："代替ルート、スロットルプロモーションが含まれていました。私たちはプロバイダーと協力しPSP-1"
• データ/締め切り：「15分で次の更新」
• 補償：「インシデントの終了後、SLAごとにクレジットノートを適用する」

7）プレイブック（iGaming/fintechの参考文献）

PriceMismatch （showcase ≠ checkout）：キャッシュ力障害、'fx_version/tax_rule_version'の和解、動的プロモーションフリーズ、ポリシーの不一致補償。
WebhookLag（パートナー/アフィリエイト）：労働者のスケーリング、バッチの増加、優先度の再試行、新規契約の一時的な上限。
支払いの停止/PSPの劣化：バックアップPSPへの切り替え、クライアントタイムアウトの削減、手動キューの清算、隔離中の灰色のトランザクション。
RTPドリフト：ボーナス一時停止、支払い/バージョンチェック、モニタリングウィンドウ拡張、RTPプロファイルのロールバック。
詐欺スパイク：速度/限界を引き締め、追加のKYCチェックを含め、疑わしいコホートを隔離し、手動で高い賞金を確認します。
データ/PII露出：システムの分離、DPO/法的通知、影響を受けるレコードの在庫、タイムラインによる規制通知。

8）ツールとルーン（自動操作）

プロモーションの一時停止、再ルート、リミットを上げる、ロールバック、フラッシュキャッシュ、Webhookを無効にする、セーフモードを有効にします。
ガードレール：「サドル」に対する保護-ロールバックは制限され、ログは署名され、各アクションはIC/Scribeを↔します。
Provability： DSSE署名、スナップショットハッシュ、Merkleログスライス。

9）インシデントの終了

基準：SLOの復元、キューの交換、データ/お金の調整、リスクの閉鎖、通信の送信。
閉会の儀式：最終状態の更新、固定されたタイムライン、影響のリスト、原因の予備仮説、死後の日付が割り当てられました。

10）死後（料金なし）

言葉：P1-3仕事日以内に；P2-5仕事日。
コンテンツ：ファクト/タイムライン、根本原因（5 Whys/FRAM）、インパクト（SLO、金融、顧客）、動作していないもの（所有者、用語、測定可能な効果）。
有効性チェック：30-60日後-パフォーマンスとメトリックのレビュー（再現性、MTTR、アラートノイズ）。

11）インシデント管理メトリックとSLO

MTTD/MTTA/MTTR、 Change Failure Rate、 Time to Comms v1、％ auto-allowed （runes）。
アラートノイズ：無関係な信号の割合、コールシフトあたりのページ。
リピートインシデント：90日間のリピートの割合。
死後のSLA：時間通りに完了/閉鎖されたの割合。
SLO反応：P1-最初の通信≤ 15分；MTTR ≤ 60分；アーティファクトの完全性=100％。

12）法律/コンプライアンス/プライバシー

法的通知：リーク/インシデントのためのローカル規制当局のタイミング。
PII最小化：承認されたジャブを介してのみプライマリへのアクセス。トークン化/マスキング。
アーティファクトストレージ：WORMログ、管轄による保存期間；アクセス制御（RBAC/ABAC、 JIT）。
取引相手：契約SLA、エスカレーションプロセス、手続領収書。

13）義務とエスカレーションの組織

24 × 7オンコール：役割による回転（SRE、アプリ、データ、セキュリティ、支払い）。
エスカレーションマトリックス：地域/製品/プロバイダの誰；重複した連絡先（チャット/音声/SMS）。
演習（GameDays）：シミュレーション-PSPドロップ、リトレイ雪崩、価格のずれ、重要な妥協、地域の失敗。

14）インシデントのダッシュボード

Heat （now）： SLOステータス、p95/p99、リージョン/テナントのマップ、タスクキュー、収集されたアーティファクト/not。
履歴：インシデントタイプによるトレンド、ルーン効率、原因再発。
品質管理：タイムラインの完全性、死後の「カバレッジ」、SLAコミュニケーション。

15）実装チェックリスト

• SEVスケールとSLOトリガーを承認します。
• 役割（IC/Tech/Comms/Scribe/Sec/Legal）と回転を24 × 7に割り当てます。
• インシデントカードテンプレートとステータスページを1つ起動します。
• Playbook （PriceMismatch/WebhookLag/Payments/RTP/Fraud/PII）を説明します。
• 監査と赤いボタンでルーンを実装します。
• WORM/Signatures/Artifact Collectionを有効にします。
• 通信手順（内部/外部）、SLA更新。
• 死後のプロセスとテンプレート；アクション項目実行のKPI。
• GameDays毎月；インシデントトレンドの四半期ごとのレビュー。
• ダッシュボードIRメトリクス （MTTA/MTTR/Noise/Repeat/Comms SLA）。

16） FAQ

なぜ「ICだけ」なのか？
単一の決定点は混乱を取り除き、反応を加速します。

いつ公表するのですか？
確認された事実と安定化計画があるとすぐに。規制の期限を評価します。

さらに重要なのは、修正やレポートですか？
まず、回復とセキュリティ。並行して-アーティファクトのコレクション。レポート-安定化後。

すべてを自動化することは可能ですか？
いいえ、しかし、ルーンは「頻繁で簡単な」ステップを閉じます。残りは明確なプレイブックとトレーニングを通してです。

要約：強力なインシデントレスポンスは、PagerDutyとチャットチャンネルだけではありません。これは、早い最初の15分、制御ルーン、透明なコミュニケーション、証明可能性と必須の死後の法医学の役割の規律です。この回路を使用すると、MTTRを削減し、お金とデータを保護し、顧客と規制上の信頼を高めます。