2分で分かるSRE障害対応

SRE障害対応

• 主に赤箇所の障害対応関連の記事になります。
  

• 開発部門と運用部門で目的や価値観が異なります。
  

• SLO、エラーバジェットという指標を両方のチームで共有します。
  

• エラーバジェットに余裕があるないときは既存運用に集中します。
  

• SLOを守るためにモニタリングが必要です。障害発生時は下図の対応が行われます。
  

• ヒートマップのようにSLOの達成率を可視化します。
  

• アラートは通知するか監視ツールのダッシュボードで確認します。
  

• アラートを3種類に分類してページのみを通知します。
  

• 手順や体制を明確に定義して訓練をするのが重要です。
  

• 障害の障害の振り返り、根本原因、対策計画、教訓をまとめて次に活かします。
  

• 人を責めないという組織文化が重要です。