Share
Embed
オブザーバビリティを組織とともに成長させる - データと知識をつなぐ場としてのGrafana
Mitsuhiro Tanda
November 18, 2026
Transcript
38 slides
-
オブザーバビリティを 組織とともに成長させる データと知識をつなぐ場としてのGrafana CloudNative Days Winter 2026 反田 光洋 (@mtanda)
Staff Developer Advocate, Grafana Labs -
自己紹介 反田 光洋 (たんだ みつひろ) @mtanda Staff Developer Advocate Grafana
Labs 約10年来のGrafana / Prometheusユーザー Grafana初期バージョンからのコントリビューター -
調査の現場 調査に必要なデータが「遠い」 理想 調査に必要なデータが、はじめから手元にそろっている データが不足していても、すぐに手に入れられる いつでも誰でも、すぐに調査を始められる 現実 1 データの存在を把握でき ていない
活用される機会がない 2 データが何に役立つかわ かりにくい 活用できる人が限定されて しまう 3 データの分析に手間がか かる 活用しようという気になれ ない 4 データを一箇所で確認で きない 複数の画面で見比べなけれ ばならない -
調査の現場 複数のツールを使い分ける必要がある システム オブザーバビリティ データ 変更履歴 セキュリティ データ ビジネスデータ 専用のツール群
ツールA ツールB SRE ツールC セキュリティ担当 ツールD データにあわせて、それぞれの専用ツールを使い分けている ツールが分かれているため、必要なデータがあったとしても気軽にアクセスできない 一人では調査が完結しない場合も多く、各担当に調査を依頼する必要がある 担当 BI 連携 -
調査の現場 接続エラー調査時のやりとり(SRE視点) サポートチームから「接続エラーに関する問い合わせが増えている」と調査を依頼される 最初にフロントエンドのエラー数を見て、実際に増えていることを確認 開発チームから「リクエストに影響しそうなリリースはしていない」と回答をもらう バックエンドのエラー数は、増えていないことを確認 セキュリティチームから「WAFの設定変更といった作業はしていない」と回答をもらう しかし、WAFのブロック数は増えていることに気づく 接続エラーの原因は、リリースで挙動が変わったことによるWAFの誤ブロックだと判明 接続エラーの問い合わせ
08:00 リリース フロントエンドのエラー数 11:00 バックエンドのエラー数 14:00 のブロック数 WAF 17:00 -
調査の現場 データと知識を全てつなぐ システム オブザーバビリティ データ 変更履歴 セキュリティ データ ビジネスデータ データをつなぐ
Grafana データの置き場所は変えずに、そのままGrafanaにつなぐだけ 実際に起きていることを、一箇所で横断的に確認できるようになる 調査の記録を、ダッシュボードなどの形で残す 誰でも過去の事例とすぐに比べられるようになり、調査がはかどる 知識をつなぐ SRE セキュリティ担当 担当 BI -
データをつなぐ システムの成長と専任体制への移行 DBRE 分析担当 ストリーム クライアント セキュリティ担当 SRE WAF ロードバランサー
コンテナ基盤 脅威検知 監査ログ キャッシュ ストレージ データベース 全文検索 分析 BI -
データをつなぐ 各担当が持っているデータの価値 使う人 SRE SRE セキュリティ担当 全員 データ 使い方 例
ビジネスのデータ セキュリティのデータ SREのデータ 費用のデータ リリースの影響を間接的に確認する指標 脆弱性対応時の進捗確認 外部/内部からの攻撃の兆候検知 利用しているサービスの費用最適化 ユーザーからの問い合わせ件数 脆弱性対応が必要な対象リスト アクセスログ、サーバのCPU使用率 サービスごとの詳細な利用データ -
データをつなぐ なログデータが持っている価値 Cold データ量 参照頻度 クエリ速度 用途 ログの例 Hot Cold
少ない 多い なるべく速く 定常的な確認、障害対応 アプリケーションのログ 多い 少ない 遅くても良い アドホックな調査 アクセスログ、監査ログ 詳細な情報が記録されているColdなログは、調査に欠かせないデータとなることがある しかし、利用するための手間が多く、利用手順を整備しなければ活用されにくい -
データをつなぐ が大事にしているBig Tentという考え方 Grafana We talk a lot about “the
big tent” at Grafana Labs — not because we are obsessed with camping. (Though who doesn’t love a good campfire?) But because we believe you should be able to access your data, no matter where it lives, and choose the tools that best suit your observability strategy. This is why Grafana is interoperable with more than 100 data sources today. 「Welcome to Grafana's Big Tent」(Grafana Labs のブログ、2022-04-05) 「データがどこにあっても、そのデータにアクセスでき、オブザーバビリティの戦略に合 うツールを選べるようになっているべきだ」と考えています。これが、Grafanaが多くの データソースと相互運用できる理由です。 -
データをつなぐ のデータソースの特徴 Grafana はデータソース経由で、データにアクセスする データソースがデータを取りに行く データの置き場所に関係なく、アクセスできる 既存のツールを置き換える必要がない 100以上のデータソースをサポートしている PostgreSQLやAWS Athenaなど幅広くサポート
S3に置かれたデータもAthena経由でアクセスできる データソースプラグインを作成し、拡張することもできる 必要に応じてアクセス制限もできる メンバーごとの利用制限 (Enterprise / Cloud版のみ) データソース側でのアクセス範囲の制限 Grafana Grafana データソースプラグイン データ Prometheus Athena CloudWatch … データは元の場所から動かさず、 アクセスするだけ -
知識をつなぐ 多くのメンバーがデータを活用できる システム オブザーバビリティ データ 変更履歴 セキュリティ データ ビジネスデータ Grafana
ダッシュボード データソース プラグイン SRE セキュリティ担当 アラートルール 各担当に調査を依頼することなく、一人で調査が完結する ダッシュボードという形で共有されることで、継続的に改善できる ダッシュボードを介して担当者間の連携もしやすくなる オンボーディングなどを通して組織全体に知識が広まる 担当 BI -
Grafana Labs での活用例 K8s Monitoring Adoption Funnel の利用状況を確認するダッシュボード チームを横断して、プロダクト、デザイン、エンジニアリングのチームが利用している ダッシュボード自体に、指標の定義、担当などが記載されている
テンプレート変数で、表示しているデータを絞り込める リリースの履歴をアノテーションとしてグラフに直接表示できる Kubernetes Monitoring -
知識をAIにつなぐ に運用を任せるために必要なもの AI データソースに接続されたデータ データソースに接続されていないデータ サーバにしか保存されていないログなど システム一般の知識 そのシステム固有の知識 システム構成、過去の障害事例など 他の担当者への質問
ソースコード 人 ◎ ◎ AI ◦ ◎ △ ◎ △ ◦ × ◦ ◦ ◦ ◎ 十分 ◦ 一部、場合による △ ほとんどない × できない → より多くのデータソースをつなぐ ルールやスキルで補う → 各担当がGrafanaに知識を残す → がアクセスできない情報は、推測に頼るため、不正確になりやすい システム固有の知識が事前に得られなければ、調査のたびにより多くのトークンを使うことになる AI -
知識をAIにつなぐ エージェントが参照する知識 AI システム オブザーバビリティ データ 変更履歴 セキュリティ データ ビジネスデータ
Grafana データソース プラグイン システム構成 ルール 障害対応の記録 スキル ダッシュボード アラートルール 担当者が残した知識を、AIエージェントも参照できる ダッシュボードで使っているクエリやデータソース アラートルール ユーザーが開いているダッシュボードといったコンテキスト AIエージェントのために書かれたルールやスキル エージェント AI SRE セキュリティ担当 担当 BI -
まとめ が解決できること Grafana データソースを組み合わせ て確認できる 既存のクエリやパネルを、 再活用できる ダッシュボードなどの形で 共有される データソースにより、デー
タがカタログ化される 1 データの存在を把握で きていない 2 データが何に役立つか わかりにくい 3 データの分析に手間が かかる 4 データを一箇所で確認 できない