Cookpad Lounge #4 SRE 座談会 SLI/SLO

https://cookpad.connpass.com/event/215427/ でお話した、クックパッドにおける SLI/SLO に関する取り組みについての資料です。

Transcript

1. Cookpad Lounge #4 SLI/SLO
2. 本日のテーマ: SLI/SLO を導入した話 クックパッドマート（以降、マート）というサービスで SLI/SLO を用 いた信頼性のトラッキングを始めています。 クックパッド（以降、レシピサービス）への導入は現在進行中で す。 マートで感じた課題は何か、どのように導入してどう運用してい るのか、現状の所感などを話します。
3. その前に...2020年クックパッドの SLI/SLO 2つの課題: 1. SRE チームが信頼性指標を確立・追跡できていない 2. 開発・SRE 間で信頼性の共通認識（合意形成）が曖昧 まず 1 のために、各サービスに一律で SLI/SLO (ALB のリクエ スト成功率と p90 レスポンスタイム) を設定した。
4. SLI/SLO の追跡 hako-console という内製の Web アプリケーションコンソールが あり、そこから SLI/SLO の Grafana ダッシュボードがリンクされ ている > Web アプリケーションを把握するためのコンソール > https://techlife.cookpad.com/entry/2018/04/02/140846
5. hako-console
6. SLI/SLO dashboard for each service
7. SLI/SLO services list
8. 一方その頃マートでは（導入動機） 2020年、急成長するマート側からの要請もあり、@hfm は embedded SRE としてマート中心に活動していた。 急成長に伴い、障害やアラートが目立つようになり、サービスの 信頼性に関する共通認識の曖昧さに課題を感じた。 「マートはいま大丈夫なの？やばいの？」を測るモノサシとして SLI/SLO が使えると思い、導入を進めた。
9. playback: 2020年のクックパッドの SLI/SLO 2つの課題: 1. SRE チームが信頼性指標を確立・追跡できていない 2. 開発・SRE 間で信頼性の共通認識（合意形成）が曖昧 結果的に 2 をマートで先行していくことになった。
10. SLI/SLO の提案、議論、策定 Google Docs に SLI/SLO の草案を作り、開発リーダーや事業 責任者にレビューしてもらい、合意を得た。 トラッキングすべき SLI/SLO の策定や、エラーバジェットポリ シー、障害ポリシー、エスカレーションポリシーなど継続的な運 用をするためのポリシーも提案に含まれる。 • https://sre.google/workbook/slo-document/ • https://sre.google/workbook/error-budget-policy/
11. 提案ドキュメント
12. マートの SLI/SLO ダッシュボード
13. マートにおける SLI/SLO の運用 定期的な SLI/SLO の確認は SRE チームでも行っている。 また、マートチームでも自分たちで定期的に確認しており、また 違反時における信頼性の回復活動も自分たちで行えている。
14. ここまでのまとめと所感 マートの急成長に伴い、信頼性の共通認識を構築する必要を 感じたことから、SLI/SLO を提案・導入し、信頼性のトラッキング を始めた。 数値 (SLI/SLO) に加え、運用に関する各種ポリシーに大きな価 値を感じている。「SLO 違反時に、誰がいつ何をすべきか」をあ らかじめ取り決めることで、SRE チームからスケールアウトして 運用が続けられている。
15. 展望：レシピサービスへの SLI/SLO 導入 現在、レシピサービスでも信頼性に対する課題が生じており、 SLI/SLO の導入を進めている。大きなサービスなので巻き込む べき人も多く、大変だがやりがいは大きい。 また、アラーティングが整備しきれておらず、もっといい感じに SLI/SLO をトラッキングできる環境を用意して、開発側に提供し ていきたい。
16. We are hiring https://cookpad.jobs