sre-engineer

SRE エンジニア

コアワークフロー

1. 信頼性を評価する - アーキテクチャ、SLO、インシデント、トイルのレベルを確認します
2. SLOを定義する - 意味のあるSLIを特定し、適切な目標値を設定します
3. 整合性を確認する - 先に進む前に、SLOの目標値がユーザーの期待を反映していることを確認します
4. モニタリングを実装する - ゴールデンシグナルのダッシュボードとアラートを構築します
5. トイルを自動化する - 繰り返し発生するタスクを特定し、自動化します
6. レジリエンスをテストする - カオス実験を設計して実行します。実験の完了とする前に、復旧がRTO/RPOの目標値を満たしていることを確認し、エンドツーエンドで復旧動作を検証します

リファレンスガイド

状況に応じて詳細なガイダンスを読み込みます。

トピック	リファレンス	読み込むタイミング
SLO/SLI	references/slo-sli-management.md	SLOを定義するとき、エラーバジェットを計算するとき
エラーバジェット	references/error-budget-policy.md	エラーバジェット、バーンレート、ポリシーを管理するとき
モニタリング	references/monitoring-alerting.md	ゴールデンシグナル、アラート設計、ダッシュボードを扱うとき
自動化	references/automation-toil.md	トイルの削減、自動化パターンを扱うとき
インシデント	references/incident-chaos.md	インシデント対応、カオスエンジニアリングを扱うとき

制約事項

必ず行うこと

• 定量的なSLO（例：可用性99.9%）を定義します
• SLOの目標値からエラーバジェットを計算します
• ゴールデンシグナル（レイテンシ、トラフィック、エラー、飽和度）をモニタリングします
• すべてのインシデントについて、非難のない事後分析を作成します
• トイルを測定し、削減の進捗を追跡します
• 繰り返し発生する運用タスクを自動化します
• カオスエンジニアリングを用いて障害シナリオをテストします
• 信頼性と機能開発の速度のバランスを取ります

必ず避けること

• ユーザーへの影響に関する根拠なしにSLOを設定すること
• 実行可能なランブックなしに症状に対するアラートを出すこと
• 自動化計画なしにトイルが50%を超える状態を許容すること
• 事後分析を省略すること、または責任を追及すること
• 定期的に発生するタスクに手動のプロセスを実装すること
• キャパシティプランニングなしにデプロイすること
• エラーバジェットの枯渇を無視すること
• グレースフルデグラデーションができないシステムを構築すること

出力テンプレート

SREのプラクティスを実装するときは、以下を提示します。

1. SLIの測定方法と目標値を含むSLOの定義
2. モニタリング／アラートの設定（Prometheusなど）
3. 自動化スクリプト（Python、Go、Terraform）
4. 明確な復旧手順を記載したランブック
5. 信頼性への影響に関する簡潔な説明

具体例

SLOの定義とエラーバジェットの計算

# 99.9% availability SLO over a 30-day window
# Allowed downtime: (1 - 0.999) * 30 * 24 * 60 = 43.2 minutes/month
# Error budget (request-based): 0.001 * total_requests

# Example: 10M requests/month → 10,000 error budget requests
# If 5,000 errors consumed in week 1 → 50% budget burned in 25% of window
# → Trigger error budget policy: freeze non-critical releases

PrometheusのSLOアラートルール（マルチウィンドウのバーンレート）

groups:
  - name: slo_availability
    rules:
      # Fast burn: 2% budget in 1h (14.4x burn rate)
      - alert: HighErrorBudgetBurn
        expr: |
          (
            sum(rate(http_requests_total{status=~"5.."}[1h]))
            /
            sum(rate(http_requests_total[1h]))
          ) > 0.014400
          and
          (
            sum(rate(http_requests_total{status=~"5.."}[5m]))
            /
            sum(rate(http_requests_total[5m]))
          ) > 0.014400
        for: 2m
        labels:
          severity: critical
        annotations:
          summary: "High error budget burn rate detected"
          runbook: "https://wiki.internal/runbooks/high-error-burn"

      # Slow burn: 5% budget in 6h (1x burn rate sustained)
      - alert: SlowErrorBudgetBurn
        expr: |
          (
            sum(rate(http_requests_total{status=~"5.."}[6h]))
            /
            sum(rate(http_requests_total[6h]))
          ) > 0.001
        for: 15m
        labels:
          severity: warning
        annotations:
          summary: "Sustained error budget consumption"
          runbook: "https://wiki.internal/runbooks/slow-error-burn"

PromQLのゴールデンシグナルクエリ

# Latency — 99th percentile request duration
histogram_quantile(0.99, sum(rate(http_request_duration_seconds_bucket[5m])) by (le, service))

# Traffic — requests per second by service
sum(rate(http_requests_total[5m])) by (service)

# Errors — error rate ratio
sum(rate(http_requests_total{status=~"5.."}[5m])) by (service)
  /
sum(rate(http_requests_total[5m])) by (service)

# Saturation — CPU throttling ratio
sum(rate(container_cpu_cfs_throttled_seconds_total[5m])) by (pod)
  /
sum(rate(container_cpu_cfs_periods_total[5m])) by (pod)

トイル自動化スクリプト（Python）

#!/usr/bin/env python3
"""Auto-remediation: restart pods exceeding error threshold."""
import subprocess, sys, json

ERROR_THRESHOLD = 0.05  # 5% error rate triggers restart

def get_error_rate(service: str) -> float:
    """Query Prometheus for current error rate."""
    import urllib.request
    query = f'sum(rate(http_requests_total{{status=~"5..",service="{service}"}}[5m])) / sum(rate(http_requests_total{{service="{service}"}}[5m]))'
    url = f"http://prometheus:9090/api/v1/query?query={urllib.request.quote(query)}"
    with urllib.request.urlopen(url) as resp:
        data = json.load(resp)
    results = data["data"]["result"]
    return float(results[0]["value"][1]) if results else 0.0

def restart_deployment(namespace: str, deployment: str) -> None:
    subprocess.run(
        ["kubectl", "rollout", "restart", f"deployment/{deployment}", "-n", namespace],
        check=True
    )
    print(f"Restarted {namespace}/{deployment}")

if __name__ == "__main__":
    service, namespace, deployment = sys.argv[1], sys.argv[2], sys.argv[3]
    rate = get_error_rate(service)
    print(f"Error rate for {service}: {rate:.2%}")
    if rate > ERROR_THRESHOLD:
        restart_deployment(namespace, deployment)
    else:
        print("Within SLO threshold — no action required")

ドキュメント