信頼性エンジニアリング

1） SREとは何で、なぜ必要なのか

SRE （Site Reliability Engineering）は、信頼性を測定可能な製品属性に変える開発と運用のインターフェースの分野です。SREは、ユーザーエクスペリエンス指標（SLI）、品質目標（SLO）、エラー予算、自動化を接続し、変更を管理して、回復力を損なうことなく迅速に価値を提供します。

主な目標は、予測可能なUX、高速リリース、最小のダウンタイム、および管理された所有コストです。

2） SREの原則

特徴としての信頼性。SLOとビジネス目標によって設定された限界に優先順位を付けます。
エラー予算は変更率を制御します。予算が燃やされた場合、その焦点は安定性にあります。
自動化>手動操作。繰り返し可能なタスクはscript/operator/pipelineです。
測定可能性。測定されたもの（SLI/SLO）のみを改善できます。
ちょうど文化。告発のない死後、全身的な原因に焦点を当てる。
シフト左。品質、安全性、テスト、観測性は開発サイクルの一部です。

3）組織と役割

プラットフォームSREチーム：共通のツール、ポリシー、パイプライン、GitOps、サービスカタログ。
組み込みSRE：製品チーム、共同のSLOターゲットと一緒に作業します。
通話中：回転、負荷制限、補償、トレーニング。
RACI：サービスオーナー、SLOオーナー、インシデントのIC、 Comms Lead、 Scribe。

4） SLI/SLOとエラー予算（製品リンク）

SLI：可用性、レイテンシー、ビジネス・オペレーションの成功、データの関連性。
SLO： Windowsの目標28-30日+例外。
エラー予算=1 − SLO。政治家：リリース、実験、カナリア、機能は実際の燃焼率によって規制されています。
コホートによるデザイン：地域、プロバイダー、VIPセグメント-異常を失わないように個々のSLO。

5）デフォルトの観察可能性

メトリクス：成功/エラー、パーセンタイルp50/p95/p99、彩度（CPU/mem/IO/conn）。
ログ：リクエスト/リリース/フラグの相関関係で構成されています。
トレース：遅延とエラーのエンドツーエンドマップ、ホットパス。
合成+RUM：外部サンプルと実際のクライアントテレメトリー。
SLOダッシュボード：バーンダウンバジェット、リリースアノテーション、カナリア、プロバイダ。

6）変更およびリリース管理

パイプラインCI/CD：決定論的アセンブリ、アーティファクト署名、セキュリティスキャン、契約テスト。
進歩的な戦略：カナリア/青緑/影；ライフサイクルのある特徴フラグ。
ゲートの質：コードとして方針、SLOガードレール、劣化の下の自動ロールバック。
GitOps：コードとしての構成/ポリシー、環境プロモーション、監査。

7）事件と死後

SEV/Pレベルの宣言、ICはすぐに割り当てられ、SEV-1+でリリースフリーズします。
バーンレートアラート：短いウィンドウと長いウィンドウ、リージョンごとのクォーラム、サンプルタイプ。
プレイブック：キックバック、劣化、プロバイダのフェイルオーバー、リミット/リトレイ。
RCAとCAPA：事実、因果関係、測定可能な行動、制御点（D+14/D+30）。
知識カタログ：テンプレートとレッスンを再利用します。

8）信頼性試験

マイクロサービスの契約テストと消費者主導の契約。
実際のパターン、p99 test/GC pause/queue tailsによるプロファイルのロード。
カオス/レジリエンスのケース：依存関係、ネットワーク、遅延の無効化；ゲームの日とDRドリル。
データベース移行：expand→migrate→contract、リバーシビリティ、2つのバージョンの互換性テスト。

9）容量および費用管理（FinOps）

容量クリティカルパスのユニットとヘッドルーム。
ユーザーメトリックとキューラグによるHPA/VPA/KEDA。
マルチプロバイダ：クォータ、SLO/レイテンシルーティング、オートフィーラー。
単位経済学：$/1k要求、$/成功したトランザクション；キャッシュ、ログ、出力の最適化。

10）信頼性の一環としての安全性

SAST/DAST/SCA、シークレット、SBOM、画像署名を検索します。
mTLSとアクセスポリシー（OPA/ABAC）最小権限。
キー/証明書回転、期限監視、有効期限テストシナリオ。
セキュリティインシデント-個々のプレイブック、フォレンジック、レギュレータ通知。

11）文化とプロセス

SLOレビュー：毎週/毎月、紫色の機能に対する債務優先度。
トレーニングとシミュレーション：オンコールトレーニング、インシデントリハーサル、カオスデイ。
統一規格：生産準備のチェックリスト、SLA通信、死後のフォーマット。
アラート疲労インジケータ：ターゲットしきい値≤ノイズ、定期的なチューニング。

12） SRE関数の成熟度メトリック

DORAメトリクス：枯渇率、リードタイム、MTTR、変更失敗率。
SLO実行：グリーンゾーンでのサービスのシェア、バーンレートの傾向。
アラート衛生：％ページアクション、中央値アラート/シフト、偽レート。
RCA/CAPA：時間通りの実行、システムの共有（非個人）理由、再オープン率。
コスト：$/SLOポイント、$/1kリクエスト、オートスケール効率。

13）チェックリスト「生産のためのサービス準備」

• SLI/SLO、 SLOオーナー、オブザベーションウィンドウが定義されています。
• ダッシュボードとバーンレートのアラートが調整され、外部合成があります。
• パイプライン：署名/スキャン、契約/統合テスト、カナリア/フラグ、自動ロールバック。
• DBマイグレーションはリバーシブルで、ロードプロファイルはピークをカバーします。
• インシデントプレイブックとプロバイダの連絡先；ステータスページ。
• 容量のヘッドルームは確認しました；HPA/KEDAとプロバイダのクォータをチェックしました。
• 構成とポリシー-Gitで、水曜日のプロモーション、監査が有効になりました。
• セキュリティ：オフコードの秘密、mTLS/回転、制御下のTLSタイミング。

14）アンチパターン

«99.999％または何も"-達成不可能な目標→永遠の赤い燃焼率。
カナリアとフィーチャーフラグのないリリース→大きな爆発。
1つの監視ポイント→誤警報と省略。
プロダクト→driftおよびunauditabilityの構成の手動変更。
CAPAsのないポストmortems→recurringインシデント。
SREとして「消防士」アーキテクチャを変更する権利がない→負債は閉鎖されていません。

15） SRE導入ロードマップ（例： 3〜6ヶ月）

1.月1：サービスとクリティカルパスのインベントリ；SLI/SLOドラフト；基本的なダッシュボードとバーンレートアラート;オンコールを開始します。
2.月2：カナリア/フィーチャーフラグ、オートキックバック；GitOpsの設定;インシデントプレイブックカタログ；ステータスページ。
3.月3：契約テスト、負荷プロファイル、拡張/契約スキームに応じたデータベースの移行；最初のゲームの日。
4.月4-6：マルチプロバイダルート、DRエクササイズ、コスト最適化、成熟度メトリクス、チームのKPI。

16）ボトムライン

SREは、透明な品質目標（SLO）、変更率（エラー予算）、自動化とインシデントの規律、回復力のテスト、意識的なコストなどの開発オペレーティングシステムです。このアプローチにより、リリースは日常的になり、信頼性は競争上の優位性になります。