ランブック とは？

深夜3時にアラートが鳴って叩き起こされた時、寝ぼけた頭で正しい判断ができる自信ある？ランブックがあれば「①このダッシュボードを確認、②この値がX以上ならPodを再起動、③改善しなければエスカレーション」と手順通りに対応できる。属人化を防いで、新人でも対応できるようにするんだよ

①アラートの意味（何が起きているか）、②影響範囲（どのユーザー/サービスに影響があるか）、③初動対応手順（確認コマンド、ダッシュボードURL）、④判断基準（この値なら再起動、この状態ならエスカレーション）、⑤エスカレーション先（誰に連絡、どの手段で）、⑥過去の対応履歴。コピペで実行できるコマンドを書いておくのがポイントだよ

①ポストモーテム（障害振り返り）のたびにランブックを更新する、②四半期ごとにレビューして古い情報を削除、③実際にランブック通りに対応できるかを障害訓練で検証（Game Day）、④新しいサービスやアラートを追加したらランブックも同時に作る。形骸化したランブックは害悪だから定期的なメンテが大切だよ

ランブックの中で「毎回同じ手順を手動実行」している部分は自動化できる。PagerDutyのAutomated Diagnostics、AWS Systems Manager Runbook、Shoreline.ioなどがランブック自動化ツール。アラート発生→自動診断→自動修復→人間に結果報告、まで自動化できれば、深夜のアラート対応が不要になるよ