Budget for Failure

SREとは何か、どう実践するか

サイトリライアビリティエンジニアリングを基礎から学びたい人のための全4回。役割、それを動かす数字、コードでの仕事、足元のプラットフォームを扱う。

全4回

サイトリライアビリティエンジニアリングは運用にソフトウェア工学を適用したものだ。SREが何に責任を持ち、何を見て、DevOpsとどう違うのかを解説する。

SLIは測るもの、SLOは目標、SLAは契約、そしてエラーバジェットは使ってよい失敗の余地だ。4つの数字の算術を、AWSのメトリクスを使って実際に計算する。

信頼性はリポジトリの中で決まる。SREがアプリケーションコードでレビューすべきタイムアウト、リトライ、ヘルスチェック、ロールアウト、そしてコードとしてのバーンレートアラートを解説する。

プラットフォームは最大の依存先だ。SREがクラウドやデータセンターで検証すべき障害ドメイン、コントロールプレーン、クォータ、キャパシティ、保守を整理する。