運用
リリースした後、動かし続ける側の話。
テストもレビューも 「本番に出るまで」を扱っている。ここはその先を扱う。
出典は Google SRE Book と DORA。どちらも無料で公開されている。 本文は引用せず、読んで理解した内容を自分の言葉で書いている。
このディレクトリ
- 可観測性 — SLI/SLO/エラーバジェット、4つのゴールデンシグナル、ページの出し方
- インシデント対応 — 指揮の型、役割分担、非難しないポストモーテム
- オンコール — 時間配分の上限、ローテーションの人数、トイル
- リリースとデプロイ — 密閉ビルド、設定管理、DORA の指標
- デプロイ戦略 — カナリア、ブルーグリーン、フィーチャートグル、影響範囲の制御
- キャパシティ計画 — 意図で書く、依存と性能指標、資源の割り当て
- データの完全性とリストア — 多層防御、レプリケーションとの違い、復元の演習
- データ保持ポリシー — 目的から期間を導く、消す義務、消し方の3段階
通しで見ると
この8つは1本の線でつながっている。
可観測性 何が起きているかを知る仕組みを持つ
SLO を決め、エラーバジェットを持つ
症状ベースでページを出す
インシデント ページが鳴った後、止血して、指揮を立てて、記録する
ポストモーテムで学ぶ
オンコール その体制を持続可能に保つ
時間配分に上限を置き、トイルを減らし続ける
リリース エラーバジェットの残量でリリース判断をする
再現可能なビルドで、頻繁に、セルフサービスで出す
DORA の指標で自分たちの変化を追う
デプロイ戦略 影響範囲を絞って出す
カナリアで評価し、外れたら戻す
ブルーグリーンなら旧環境を残し、ルーターを戻すだけで復旧する
デプロイと機能公開をトグルで切り離す
キャパシティ 次の期に何台いるかを、意図の形で決める
負荷試験で見つけた限界点と、常時の実測が入力になる
データ 失っても戻せる状態を、多層で保つ
戻せることは、実際に戻してみたときにだけ分かる
同時に、目的に必要な期間を超えては持たない
この2つは目的の違いで調停する
まだ書いていないもの
ROADMAP に挙げたこの階層の項目は、すべて書いた。
1つだけ、条文からは決まらず保留にした論点がある。 バックアップの中のデータをどう消すか — 消去は「不当に遅れることなく」求められるが、過去のバックアップは通常 書き換えないものとして運用する。 経緯はデータ保持ポリシーに書いてある。