SRE とは？

従来のインフラエンジニアは運用の安定を最優先にすることが多かったけど、SREはコードを書いて運用の問題を解決する。「手作業でやっていることを自動化する」ことに力を入れるし、信頼性を数値目標で管理するのが特徴だよ。

SLIは「サービスレベル指標」で測定できる具体的な数値、例えば「成功したリクエストの割合」「レスポンスタイム」など。SLOはその目標値で「99.9%以上の可用性を維持する」みたいに定める。SLAはそれをユーザーや取引先に約束したもので、破ったら補償があることが多いよ。

「99.9%のSLOがあれば月に43分間のダウンタイムが許される」という計算ができるんだ。この「使えるダウンタイム枠」がエラーバジェット。バジェットが余っていれば積極的にリリースして、使い切りそうなら慎重にする。リリース速度と信頼性のバランスをデータで議論するための共通言語になるよ。

全然違うんだ。SREのポストモーテムは「blameless（責任を責めない）」が基本原則で、誰が悪かったかではなく「なぜシステムがそういう状態になったか」の根本原因を分析するんだ。人を責めるより「なぜそのオペレーションが可能だったか・なぜ検知できなかったか」という仕組みの問題を見つけて再発を防ぐ。この文化が組織に根付いていないと、エンジニアが正直に障害の詳細を書けなくなって、本当の改善につながらないんだよ。