【インシデントかんり（SRE）】
インシデント管理（SRE） とは？
最終更新:
💡 役割を分けて復旧し、経験を次に生かす
SREで、サービスへの影響を把握し、役割分担や連絡を整えて障害への対応を進める取り組み。まず影響の軽減や復旧を優先し、記録と振り返りを次の改善に生かす。必要な体制や宣言の基準は、チームと影響の大きさに合わせて決める。
📌 このページのポイント
- サービスへの影響を把握し、対応を宣言する
- 指揮・復旧作業・連絡などの役割を明確にする
- 影響の軽減を優先し、対応を記録する
- 人を責めずに振り返り、改善を追跡する
ひよこ 障害が起きたら、みんなで直せばよい？
ペンギン先生 人数が増えるだけでは、同じ作業の重複や連絡漏れが起きやすいよ。影響を把握して対応を宣言し、誰が指揮するか、誰が復旧作業や連絡を担うかをはっきりさせる。進み具合や判断を記録し、参加した人が状況を共有できるようにするんだ。
ひよこ 最初に、原因を全部調べるの？
ペンギン先生 原因の完全な解明を待たず、まず利用者への影響を軽減することを優先するよ。たとえば問題のある変更を戻す判断で、早く復旧できる場合がある。すぐ分かった原因を直すこともあるので、原因調査を必ず後回しにするという意味ではない。対応の安全性と影響を見ながら判断しよう。
ひよこ どんな役割を決めるの？
ペンギン先生 Googleの資料では、全体を指揮するIncident Commander、復旧作業を統括するOperations Lead、連絡を担うCommunications Leadなどを説明しているよ。指揮者は細かな作業を抱え込まず、全体を調整する。すべての小さな障害に同じ人数を用意するのではなく、チームの規模や状況に合わせるんだ。
ひよこ 復旧したら、記録はもう要らない？
ペンギン先生 影響、対応の経緯、原因や関係した要因、次の対策を振り返る材料になるよ。ポストモーテムを作る条件も、事前に決めておくとよいね。誰かを責めるためではなく、当時の情報や仕組みを理解して、同じ問題を減らす。対策には担当者などを決め、実施も追跡しよう。
ひよこ 普段から、何を用意すればよい？
📖 おまけ：英語の意味
「Incident Management in Site Reliability Engineering」 ＝ サイト信頼性エンジニアリングでのインシデント管理
💬 GoogleのSRE資料は、指揮・連絡・調整を重視している。体制はチームに合わせて決めるよ。