Chapter 3. SLO Engineering Case Studies

Transcript

1. SLOとエラーバジェットの導入事例 目的 SREの基本であるSLO（サービスレベル目標）とエラーバジェットの概念を理解。 具体的な事例を通じて、導入プロセスやメリットを学ぶ。 1
2. アジェンダ 1. GoogleのSLOとCREの概要 2. EvernoteのSLO導入事例 3. The Home DepotのSLO導入事例 4. まとめと次のステップ 2
3. 1. GoogleのSLOとCRE SLO（Service Level Objective）とは？ サービス品質を定量化した目標値。 例: 稼働率99.95%、レイテンシ200ms以下。 なぜ必要か？ 運用と開発の対立を緩和。 データに基づく意思決定を可能に。 エラーバジェットとは？ SLO未達成の許容範囲。 例: 稼働率99.95%なら、許容ダウンタイムは月22分。 信頼性向上と新機能開発のバランスを取るための指標。 3
4. Customer Reliability Engineering（CRE） GoogleのCREチームの役割: GCP（Google Cloud Platform）顧客と協力し、SLOを導入。 顧客との目標を統一し、信頼性を高める。 ポイント: SLOはすべてのやり取りの中心。 4
5. 2. EvernoteのSLO導入事例 背景と課題 750以上のMySQLインスタンスを持つ大規模サービス。 課題: 運用チームと開発チームの対立。 物理データセンターの管理負担。 目標: 稼働率99.95%の達成。 パブリッククラウドへの移行。 5
6. SLO導入の流れ 1. 顧客視点の目標設定: 「同期と可用性」を最優先に。 2. 稼働率99.95%を初期SLOに設定。 3. 測定方法: サードパーティツール（Pingdom）を利用。 フロントエンドノードを毎分ポーリング。 北米とヨーロッパの複数地点でチェック。 6
7. 成果と改善 導入後9か月で3回の見直し: 内部レビューや障害データを基に改訂。 具体的な成果: リリース回数を5回から2回に削減。 顧客影響を定量化し、優先度を調整。 Googleとの連携 双方が同じダッシュボードを使用し、リアルタイムでSLOを監視。 例: 「GCPの遅延がSLOに5%影響」と具体的な情報を共有。 7
8. 3. The Home DepotのSLO導入事例 背景と課題 規模: 2200店舗、オンラインで150万点以上の商品を提供。 課題: アジャイル開発とマイクロサービスの導入に伴う混乱。 サービス間の透明性と信頼性の欠如。 8
9. SLO文化構築のアプローチ 1. 共通用語の定義: SLOの測定方法を統一。 2. 啓蒙活動: トレーニングや社内ブログ、ステッカー配布。 3. 自動化: SLIデータ収集プラットフォームを構築。 4. インセンティブ設定: 各チームにSLO設定と測定を義務付け。 9
10. VALETフレームワーク Volume（トラフィック量）: 処理可能なビジネスボリューム。 Availability（可用性）: 必要時にサービスが稼働しているか。 Latency（レイテンシ）: サービスが迅速に応答するか。 Errors（エラー）: サービスがエラーを返す頻度。 Tickets（チケット）: 手動対応の頻度。 10
11. 成果と次のステップ 成果: 1年以内に800サービスでSLOを適用。 運用と開発の透明性と効率性を向上。 次のステップ: デプロイメントと統合し、ロールアウト前に自動確認。 エンドポイントごとの詳細なSLO追跡を目指す。 11
12. 4. まとめと次のステップ 学び SLOとエラーバジェットは、 開発と運用を連携させる強力なツール。 信頼性と新機能開発のバランスを取る指標。 次のステップ 自社の主要サービスでSLO試案を作成。 既存の運用指標とSLOのギャップを特定し、改善計画を立案。 12