書籍
SRE サイトリライアビリティエンジニアリング
Googleの信頼性を支えるエンジニアリングチーム
Betsy Beyer, Chris Jones, Jennifer Petoff, Niall Richard Murphy
概要
Google が提唱した Site Reliability Engineering の原典。SLI/SLO/SLA、 エラーバジェット、オンコール運用、リリースエンジニアリング、大規模分散システムの 運用思想を、運用チームの文化と合わせて体系化した、SRE 実践の必読書。
対象読者
- 信頼性と俊敏性の両立を目指す運用エンジニア
- SRE チームを立ち上げたい組織リーダー
目次 34章
- 1章 イントロダクション
- 2章 SREの観点から見たGoogleのプロダクション環境
- 3章 リスクの受容
- 4章 サービスレベル目標
- 5章 トイルの撲滅
- 6章 分散システムのモニタリング
- 7章 Googleにおける自動化の進化
- 8章 リリースエンジニアリング
- 9章 単純さ
- 10章 時系列データからの実践的なアラート
- 11章 オンコール対応
- 12章 効果的なトラブルシューティング
- 13章 緊急対応
- 14章 インシデント管理
- 15章 ポストモーテムの文化：失敗からの学び
- 16章 サービス障害の追跡
- 17章 信頼性のためのテスト
- 18章 SREにおけるソフトウェアエンジニアリング
- 19章 フロントエンドにおけるロードバランシング
- 20章 データセンターでのロードバランシング
- 21章 過負荷への対応
- 22章 カスケード障害への対応
- 23章 クリティカルな状態の管理：信頼性のための分散合意
- 24章 cronによる分散定期スケジューリング
- 25章 データ処理のパイプライン
- 26章 データの完全性：What You Read Is What You Wrote
- 27章 大規模なプロダクトのローンチにおける信頼性
- 28章 SREの成長を加速する方法：新人からオンコール担当、そしてその先へ
- 29章 割り込みへの対処
- 30章 SREの投入による運用過負荷からのリカバリ
- 31章 SREにおけるコミュニケーションとコラボレーション
- 32章 進化するSREのエンゲージメントモデル
- 33章 他の業界からの教訓
- 34章 まとめ
タグ
奥付
- 出版社
- オライリー・ジャパン
- ISBN
- 978-4873117911
- 出版日
- 2017年8月
- 参考定価
- ￥5,280税込Amazonの実売価格と異なる場合があります
この本を手に入れる
※ 上記は Amazon アソシエイトによる広告リンクです。関連書籍
前提となる書籍
- 推奨前提
The DevOps ハンドブック
理論・原則・実践のすべて
Gene Kim, Jez Humble, Patrick Debois, John Willis
理由: 『The DevOps ハンドブック』が開発と運用の協調を説くのに対し、Google『SRE サイトリライアビリティエンジニアリング』はその運用側を「ソフトウェアエンジニアリングで解く」具体形を示す。エラーバジェットや SLO によって信頼性を工学的に管理する、DevOps の自然な発展先。
- 参考
入門 監視
モダンなモニタリングのためのデザインパターン
Mike Julian
理由: 『入門 監視』で「何を計測するか」を設計できたら、その指標を組織の意思決定に結びつける思想へ。Google『SRE サイトリライアビリティエンジニアリング』は SLI/SLO/エラーバジェットによって監視データを「いつ機能開発を止め信頼性に投資するか」の判断基準へ昇華させる。
- 参考
Release It!, 2nd Edition
Design and Deploy Production-Ready Software
Michael T. Nygard
理由: 『Release It!』の安定性パターンは個々のサービスを壊れにくくするが、システム全体の信頼性をどう目標化し組織で運用するかは別の問い。Google『SRE サイトリライアビリティエンジニアリング』はエラーバジェットや障害対応の体制で、個別の耐障害設計を組織的な信頼性管理へ統合する。
- 参考
チームトポロジー
価値あるソフトウェアをすばやく届ける適応型組織設計
Matthew Skelton, Manuel Pais
理由: 『チームトポロジー』で価値の速い流れを生む組織を設計したら、信頼性をどのチームがどう担うかという問いに行き着く。Google『SRE サイトリライアビリティエンジニアリング』はエラーバジェットや運用責任の分担といった、信頼性を組織文化として根付かせる具体策を示す。
次に読む書籍
- 必須前提
サイトリライアビリティワークブック
SREの実践方法
Betsy Beyer, Niall Richard Murphy, David K. Rensin, Kent Kawahara, Stephen Thorne
理由: 『SRE サイトリライアビリティエンジニアリング』が Google の実践から抽出した原則を語るのに対し、続編『サイトリライアビリティワークブック』は「自社でどう実装するか」を具体的な手順とケーススタディで示す。理論を読んだら実装編へ、が必須（required）の流れ。
- 推奨前提
オブザーバビリティ・エンジニアリング
分散システムの信頼性とパフォーマンス
Charity Majors, Liz Fong-Jones, George Miranda
理由: SRE は SLO を満たすために「システムの状態を正確に知る」ことを前提とするが、SRE 本自体は監視の哲学にとどまる。『オブザーバビリティ・エンジニアリング』は分散トレースや高カーディナリティイベントで未知の障害を探索する技術を補い、SRE が要求する観測能力を実装レベルで満たす。
- 推奨前提
Building Secure and Reliable Systems
Best Practices for Designing, Implementing, and Maintaining Systems
Heather Adkins, Betsy Beyer, Paul Blankinship, Piotr Lewandowski, Ana Oprea, Adam Stubblefield
理由: SRE で信頼性を工学的に扱えるようになると、「セキュリティと信頼性は本来同じ設計課題ではないか」という問いに行き着く。Google『Building Secure and Reliable Systems』は SRE の延長線上で、セキュリティを後付けでなくシステム設計に組み込む原則を示し、信頼性とセキュリティを統合する。
- 参考
Seeking SRE
Conversations About Running Production Systems at Scale
David N. Blank-Edelman
理由: Google 発の SRE 理論を学んだら、それが他社でどう翻案・実践されているかを知りたくなる。Blank-Edelman 編『Seeking SRE』は多数の実務者による寄稿集で、Google 以外の文脈における SRE の多様な適用例を提供し、原則の応用範囲を広げる。
- 参考
LLMOps
本番環境における大規模言語モデル運用ガイド
Abi Aryan
理由: Google『SRE サイトリライアビリティエンジニアリング』が SLI/SLO やエラーバジェットで一般的なサービスの信頼性を工学的に管理する枠組みを示したのに対し、『LLMOps』はその運用思想を LLM アプリケーションという新しい対象に当てはめ、ガバナンスやコスト管理を含めた本番運用の論点を整理する。