カオスエンジニアリング入門|わざと壊して信頼性を確かめる
Principles of Chaos EngineeringとNetflix・Google・AWSの公開資料をもとに、定常状態と仮説の立て方、爆発半径の絞り方、つまずきやすい落とし穴を整理したSREの学習ノートです。
SREPrinciples of Chaos EngineeringとNetflix・Google・AWSの公開資料をもとに、定常状態と仮説の立て方、爆発半径の絞り方、つまずきやすい落とし穴を整理したSREの学習ノートです。
SREGoogle SRE本の「Simplicity」の章とWorkbookをもとに、偶有的な複雑さを押し返す理由、使わないコードを消す理由、複雑さの測り方と単純化の落とし穴をまとめた学習ノートです。
SRE個人開発のサーバーレスサービスに、CloudWatch メトリクスと CloudFront アクセスログで日次の監視を後付けしました。UA だけの判定に探索 bot が混ざった実例と、IP の振る舞いで分ける 2 段の判定も書いています。
SREオンコールは何人で、何時間のシフトで回せば一人に偏らないのか。Google の SRE 本と PagerDuty の公開資料から、ローテーションの組み方・引き継ぎ・負荷の測り方と当番明けの回復の決め方を読み解きます。
SRE通知は多すぎても少なすぎても障害を見逃します。Google SRE本やPrometheus、PagerDutyの資料をもとに、何を・いつ・誰に鳴らすかの決め方を症状ベースの判定とバーンレートを軸にまとめました。
SREGoogle SRE本が示したゴールデンシグナル(レイテンシ・トラフィック・エラー・サチュレーション)の定義と、成功と失敗を分けて測る理由、USE/REDとの使い分けを整理しました。
Tech Lead非機能要件は機能一覧に出てこないのに作り直しの原因になります。ISO/IEC 25010の9特性で抜けを探し、IPA非機能要求グレード2018の6大項目とレベルで水準の言葉をそろえる進め方を整理しました。
SRE監視とオブザーバビリティの違いを、Google SRE本とOpenTelemetryの一次情報から整理しました。メトリクス・ログ・トレースの使い分けと、信号を増やす前に決めておくことをまとめています。
SRE99.9%と99.99%の差は0.09ポイントでも、止まってよい時間は10分の1です。ナインを時間に直す表、検知と復旧の上限、依存先のナイン、測り方の違いをSRE本と論文でまとめました。
Tech Leadデプロイとリリースを分けて考えると、出す速さと安全さを両立しやすくなります。フィーチャーフラグの4分類、カナリアリリースの考え方、テックリードが先に決めておくルールをまとめました。