PR：この記事にはアフィリエイトリンクが含まれます。
サービスに不具合が出ると、運用担当は一刻も早く復旧させたい。一方、開発側は予定どおりリリースを進めたい。どちらも当然ですよね。判断の物差しがなければ、話し合いは何度も平行線になります。
SREでは信頼性を数字で捉え、チームで合意したルールに結びつけます。中心になるのがSLI・SLOとエラーバジェット、障害後まで含めた対応の流れです。
5冊の早見表
SRE本と一口に言っても、扱う範囲はさまざまです。全体像、導入手順、指標の精度、企業ごとの事例のどれを知りたいかで、読みどころが変わります。
| 書名 | ページ数・主な内容 | 参考価格（税込） |
|---|---|---|
 SRE サイトリライアビリティエンジニアリング ―Googleの信頼性を支えるエンジニアリングチーム | 592頁・SRE全体、エラーバジェット | 5,280円 |
 サイトリライアビリティワークブック ―SREの実践方法 | 516頁・導入手順、インシデント対応 | 5,060円 |
 SLO サービスレベル目標 ―SLI、SLO、エラーバジェット導入の実践ガイド | 432頁・計測、バーンレートアラート | 4,400円 |
 SREをはじめよう ―個人と組織による信頼性獲得への第一歩 | 320頁・基礎、個人と組織の導入 | 3,300円 |
 SREの探求 ―様々な企業におけるサイトリライアビリティエンジニアリングの導入と実践 | 632頁・複数企業の導入事例 | 5,060円 |
価格は税込み希望小売価格を目安にしています。実売価格は時期や店舗で変わるため、購入時に確認してください。
ページ数も本のボリュームをつかむ手掛かりです。気になる章から読み、チームの話し合いに持ち込む方法もあります。
SLIは利用者起点
SLIを決める前に、利用者がサービスを使えた状態を定義します。その状態を測る数値がSLIです。運用の高度化はそこから始まります。
ECなら商品画面の表示だけに注目せず、注文完了まで正常に進んだリクエストの割合を測ります。APIの成功率や応答時間、データ処理の期限内完了率も指標の候補です。
平均応答時間では、一部の利用者が感じる遅さを見落とすことがあります。分布の上位側を見るパーセンタイルを使い、内部ヘルスチェックを計測対象に含めるかも決めておきましょう。
SLOを言葉にする
SLOは対象のSLI、計測期間、維持する水準を定める約束です。30日間の時間ベース可用性を99.9%にする例なら、停止許容は合計約43分。計算方法も共有します。
高い目標を掲げるほどよいとは限りません。100%を目指すと、小さな変更にも大きなコストがかかります。顧客への影響と改善費用を見て、達成できる水準から始め、実績に応じて調整するのが現実的です。
目標値は経路の重要度に合わせます。売上や問い合わせに直結する経路は厳しめに設定します。ログイン、検索、決済を個別に見直せば、優先順位も明確です。
エラーバジェット運用
SLOが99.9%なら、許容する失敗割合は原則0.1%。エラーバジェットの残量を共有すると、新機能の開発と信頼性改善を同じ場で判断できます。
残量が多いうちは通常のリリースを続けます。急速に減ったら影響の大きい変更を一時停止し、復旧や再発防止へ人員を回します。停止範囲を先に合意しておけば、判断もぶれにくくなります。
消費後の対応も決めましょう。例外を誰が承認するか、変更をどこまで絞るか、再開条件は何か。方針が曖昧では、数字を出しても意思決定に結びつきません。
障害時の動き
障害対応では、まず指揮系統を整えます。指揮役と技術担当、記録や連絡を担う人を分けるのが基本です。調査だけに集中して連絡が止まる事態も防ぎやすくなります。
復旧時は原因究明より、利用者への影響を小さくする判断を優先します。機能停止、切り戻し、トラフィック制限などを実行した時刻と理由を記録します。戻せる策を選ぶのが基本です。
当番交代時は、未解決の影響や実施済みの緩和策、次に試す作業と連絡窓口を引き継ぎます。外部への連絡担当も決めておくと、復旧中の行き違いが減ります。
振り返りを残す
復旧後は、誰が悪いかを探すより当時の判断がなぜ合理的に見えたかを確認します。タイムライン、顧客影響、検知の遅れや背景条件を並べると、次の改善点が見えてきます。
再発防止策は監視の見直しという一言で終わらせず、担当者と期限、完了確認の方法まで書きます。変更手順や権限、負荷試験を見直す対応も考えられます。
ポストモーテムは保存だけで終わりません。次の定例で対策の進み具合を確かめ、似た障害や別サービスにも学びを伝えるところまで続けます。
全体像をつかむ本
『SRE サイトリライアビリティエンジニアリング ―Googleの信頼性を支えるエンジニアリングチーム』は592頁。SLI・SLO、エラーバジェット、リスク管理まで、SREの幅広い領域を扱います。
緊急対応やオンコール、インシデント管理に加えて、ポストモーテムと根本原因分析も含みます。指標と運用を一続きで把握できる構成です。
チームでSREの考え方を共有する際にも使えます。592頁あるため、必要な章を参照しながら学ぶ読み方にも合うでしょう。
実務手順を扱う本
『サイトリライアビリティワークブック ―SREの実践方法』は516頁。SLIの選定と計測、最初のSLO計算、継続的な改善まで、導入の工程を取り上げます。
エラーバジェット方針の文書化や意思決定への活用を扱い、Evernote、The Home Depot、New York Timesなどの事例も収録しています。
インシデント時の役割や訓練も範囲です。SLOの設計から対応訓練までまとめて学べます。
指標と計測を深める本
『SLO サービスレベル目標 ―SLI、SLO、エラーバジェット導入の実践ガイド』は432頁。意味のあるSLIを設計し、SLOの選択や計測を確率・統計による分析とともに扱います。
エラーバジェットの方針と意思決定、バーンレートを使うアラート、トラブルシューティングも取り上げます。数値を運用に結びつけるところまで追えます。
導入時の合意形成も扱うため、チーム内の調整も論点になります。計測手法と合意作りを合わせて学ぶ構成です。
入門書として
『SREをはじめよう ―個人と組織による信頼性獲得への第一歩』は320頁で、SREの基礎を解説します。個人が役割を身につける道筋や、組織で導入・発展させる考え方も扱う一冊です。
インシデント対応、事後レビュー、失敗から学ぶ手順も含みます。信頼性向上を日々のエンジニアリングやチームづくりと結びつけて読めます。
対象読者には学生やSREを目指すエンジニア、組織導入を検討するマネージャーが含まれます。基礎から学ぶ人にも入りやすい内容です。
組織事例を広げる本
『SREの探求 ―様々な企業におけるサイトリライアビリティエンジニアリングの導入と実践』は632頁で、全33章から成ります。多数の執筆者がMicrosoft・Dropbox・Google・Spotify・Netflix・Lyftなどの事例を紹介します。
SLI・SLOに加えてヒストグラムやパーセンタイルも取り上げ、インシデントのメトリクスとエラーバジェット、アンチパターンも扱います。
組織の規模や制約で何が変わるかを考える事例集です。運用経験を積んだチームが、他社の実践を自社と比べる材料になります。
結論
初めてSREを学ぶ方には、『SREをはじめよう ―個人と組織による信頼性獲得への第一歩』をおすすめします。基礎を扱う320頁で、参考価格は3,300円です。
実装課題が明確なら『サイトリライアビリティワークブック ―SREの実践方法』が合います。指標設計やバーンレートアラートを深める段階では、『SLO サービスレベル目標 ―SLI、SLO、エラーバジェット導入の実践ガイド』を選ぶと実務につながります。
全体を体系立てて学ぶなら『SRE サイトリライアビリティエンジニアリング ―Googleの信頼性を支えるエンジニアリングチーム』が適しています。他社の取り組みからヒントを探す方には、『SREの探求 ―様々な企業におけるサイトリライアビリティエンジニアリングの導入と実践』をおすすめします。表の価格は税込み希望小売価格の目安で、実売額は時期や店舗によって変わります。
Amazon の PC をスコア化してみた
Amazonにある8〜14インチの小型WindowsタブレットやノートPCを、スペック別にスコア化して比較・ランキング。
