アラート とは？

メール、Slack、SMS、電話など色々な方法があるよ。深夜の重大障害なら電話で起こす設定にしたり、軽微な警告ならSlack通知だけにしたり、重要度に応じて使い分けるんだ。

たとえば「CPU使用率が90%を5分間超えたら」「エラー率が1%を超えたら」「レスポンスタイムが3秒を超えたら」のように閾値を設定するよ。SLOに基づいて設定するのが理想的だね。

「アラート疲れ」という深刻な問題だよ。オオカミ少年のように誤報が多いと、本当に重要なアラートまで無視されてしまうんだ。だからノイズの少ない「意味のあるアラート」だけを鳴らす設計が大事だよ。

Googleの SRE 本では「アラートは人間のアクションが必要な場合のみ鳴らす」が原則だよ。自動復旧できるものは自動化し、情報提供だけのものはダッシュボードに回す。本当に人が対応すべきものだけアラートにするんだ。

「何が起きているか」「影響範囲」「対応手順へのリンク」の3つは最低限含めたいね。アラートを見た人がすぐに状況を把握して行動に移れることが良いアラートの条件だよ。