SRE において「信頼性」は最も重要な指標とされています。しかし、一言で「信頼性」といっても、会社の戦略やサービス、文化によって、計測方法や目指す値、その達成方法にいたる全てが同じになることはないでしょう。さらに、一度定義した信頼性が適切であり続けることはなく、会社や組織のフェーズによって、その時々で柔軟に変化していく必要がありそうです。 このように、サービスを取り巻く環境の変化に応じて適切な信頼性を定義し、またその信頼性を「育てて」いく方法として、サービスや組織の戦略と SRE チーム の方向性を揃えたり、SRE チームの垣根を超えて組織全体に SRE の文化を根付かせるための取り組みなどを紹介しながら、多様性とともに SRE がどのように歩んでいくかについてお話します。

SRE NEXT2022では「SRE DIVERSITY」というテーマの下で、幅広い業種/領域でのSRE Practiceの実践例を集約し、より多様なSREの実践が普及していくきっかけの提供を目的にしています。 一方で、本セッションではSREのPracticeやそもそものSREの概念に対して、これから理解を深めていく方を対象に、SRE自体の説明やSLI/SLOなどのPracticeに関する説明を交えつつ、SREのPracticeを導入する上での考慮点についてSpeakerとのQ&A方式でお話します。SREに対する理解を深めて、「SRE DIVERSITY」に飛び込むことができる、SRE Next2022のコンテンツがより楽しめるような内容となっています。

コンテナ型仮想化やマイクロサービスアーキテクチャなどの採用により、クラウド上に展開されるアプリケーションが複雑化しています。オペレーターが複雑なシステムの状態変化を観測可能とするために、システムからメトリクス、ログ、トレース、イベントなどに代表される様々な運用データが常時収集されます。システムが複雑化するほどに、運用データの量が増加するため、システム障害の予防・予測・検知・原因診断・回復のために、オペレーターの認知負荷が高まります。この認知負荷を低減するために、統計解析・機械学習の技術により、運用データを活用して、運用タスクを効率的に自動化するAIOpsが注目されています。しかし、日本国内では、AIOpsの研究や現場での活用がまだ少なく、現段階ではAIOpsは広く認知されていません。 AIOps認知の一環として、本発表では、AIOps領域のうち、システム障害の原因を診断するタスクに着目し、先行研究、時系列解析・因果関係推定のためのモデルの構築、モデルの評価、運用データ生成システムの開発、MLOpsツールを用いた実験管理を、発表者の試行錯誤の過程での失敗も含めて、紹介します。