GoogleがSite Reliability Engineeringの第2版を発表、AI時代の運用に対応

Site Reliability Engineering第2版で学べる内容

Googleは、ソフトウェアを高速かつ世界規模で届ける組織にとって、課題はクラウド基盤の導入ではなく、複雑な環境で高い信頼性を保つことだとしています。第2版の執筆にあたり、Googleは発表時点でSREを成功させるのに何が必要かを改めて評価しました。^[1]

図1　第2版が扱う主な領域

発表時点の本番環境は絶えず変化しており、システム境界はより複雑で、依存関係も深くなっています。障害の起き方も、かつてないほど複雑で被害の大きいものです。

第2版は、10年間の実践の変化やSREとAIの二重の関係、システムエンジニアリングの人的な要素を扱います。AIとの関係では、SREがAI基盤を支える面と、SREチームがAIで運用の信頼性を高める面の両方を取り上げます。

SLOsと監視で進んだ成熟

第2版は、基本的なSREの実践が過去10年間でどう成熟したかを詳しく扱います。全体の方向は、手作業による個別の作業から、自動化されたプラットフォーム全体の機能へ向かう変化です。

図2　SLOsと監視の実践の変化

SLOsとエラーバジェットでは、2016年時点の基本的な可用性指標と手作業のエラーバジェット方針から、利用者中心の多層SLOsへ成熟しました。動的なバーンレートのアラートと方針の自動適用も、成熟後の実践に含まれます。

監視と可観測性の初期の構成は、静的なダッシュボードや基本的なログ、手作業のアラート切り分けが中心でした。Googleが発表時点で現代的な可観測性として挙げる手法は、根本原因を素早く見つけるためのOpenTelemetryや分散トレーシング、異常の自動相関です。

自動化や組織モデルなど4領域の変化

自動化とプラットフォームでは、個別作業向けのカスタムスクリプトを書く運用から移行が進みました。移行先は、宣言型のinfrastructure as codeや社内開発者プラットフォーム、回復力のある自己修復システムの利用です。

図3　自動化や組織モデルなど4領域の実践の変化

信頼性テストでは、定期的なゲームデイや合成負荷テストだけに頼りません。Googleが発表時点で現代的な手法として挙げるのは、継続的な回復性の確認やパイプラインの自動テスト、本番でのカナリア検証の組み込みです。

図4　発表時点の信頼性テストに組み込む手法

容量とリソース管理では、手作業のプロビジョニングと静的な予測が、動的な自動スケーリングに置き換わりました。クラウドのFinOpsとの整合やGPUやTPUのワークロード向けのコストとクラスタの最適化も、置き換え先に含まれます。

組織モデルでは、SREが特定のアプリケーション専任のチームを超えて広がりました。発表時点の組織は、ハイブリッド型やプラットフォームエンジニアリングとの統合、製品チームに置く信頼性の推進役を使います。

SREとAIの二重の関係

大規模言語モデル（LLMs）や基盤モデルの運用には、新しい信頼性の課題があります。第2版は、大規模なAI基盤の運用手法と、人による運用の効率を高める実践的な枠組みを示しており、項目は以下の通りです。

生成AIのように資源を多く使う処理の急増は、基盤管理の経済性と運用要件を変えました。Googleは、AIが信頼性エンジニアの力を大きく高める存在になりつつあるとしています。

Googleが不変とするSRE中核原則

Googleは、技術やアーキテクチャが進化を続けても、SREの中核となる原則は変わっていないとしています。Googleは、中核の原則を、信頼性を重視する文化を築く鍵と位置付けています。

図5　技術の進化とSREの中核原則、第2版の扱い

第2版は、システムエンジニアリングにおける人的な要素を改めて強調し、内容を広げました。信頼性を重視する文化をどう築くかという道筋も、第2版の対象です。

Site Reliability Engineering第2版の入手方法

第2版は、発表時点で物理書籍と電子書籍の形式で注文できます。物理書籍の案内先はGoogle Books、電子書籍の注文先はO'Reillyです。^[1]

図6　第2版の注文形式

紙の物理書籍で読みたい場合は、Google Booksの案内を確かめる方法があります。電子書籍で読みたい場合は、O'Reillyのデジタル形式を選ぶ方法もあります。

今回の発表に含まれる第2版の情報

第2版は、初版から全面的に書き直された版として、発表時点で注文を受け付けています。第2版が想定する読者は、以下の通りです。^[1]

Googleは、第2版を本番システムの次の時代に向けた決定版の道筋と位置付けています。この位置付けは、上記の4種類の読者に共通するものです。

価格やページ数、日本語版の提供は、今回の発表に含まれていません。発表時点で案内されている注文形式は、物理書籍と電子書籍です。

運用の課題ごとに読む第2版の論点

第2版が扱う論点は、SLOsからAI基盤、組織モデルまで幅広い範囲です。SLOsでは利用者中心の多層SLOs、組織モデルではハイブリッド型や製品チームの推進役を取り上げます。^[1]

図7　第2版が扱う論点の例

編集部では、運用の課題が決まっている場合に、第2版の論点のうち課題に近いものから読む方法を提案します。次の図の場面と論点の対応も、編集部の提案です。

図8　課題ごとに確かめる第2版の論点

SLOsやアラートを見直したい場合は、利用者中心の多層SLOsと方針の自動適用を扱う論点を先に確かめる順序が考えられます。LLMsや基盤モデルを動かすAI基盤を運用する場合は、GPUやTPUのクラスタ管理と出力の監視を扱う論点が出発点です。

障害対応に生成AIツールを使いたい場合は、即時の切り分けと事後分析の作成を支援する枠組みを確かめる方法があります。SREの体制を見直す場合は、ハイブリッド型や製品チームに置く推進役を含む組織モデルが手がかりになるでしょう。