feed-digest - #sre

オライリーのレポート「Training Site Reliability Engineers」を読んだ要点まとめ。組織の成熟度に応じたSREトレーニング手法（Sink or Swim〜体系的プログラム）、TMRプロトコルによる障害対応、心理的安全性とインポスター症候群への配慮、Sandbox環境やティーチバックを使った実践的学習、アンドラゴジー・ADDIEモデルに基づく設計原則、そしてトレーニングプログラム自体をSREの階層構造で継続的に改善していく考え方を紹介している。

GitHubで2024年8月17日に発生した大規模障害の公式ポストモーテムを解説する記事。データベースの過負荷が接続プールの枯渇を招き、依存サービスへカスケード的にダウンタイムが拡散した経緯を整理し、サーキットブレーカーパターンのPython実装例と、自社の障害分析にLLMを活用するプロンプト例を紹介している。

監視の目的を「検知」ではなく「意思決定」と再定義し、ツール非依存の設計手順（全体像→設計原則→ユーザー影響シナリオの洗い出し→SLI定義）を解説する記事。OpenTelemetryのシグナル分類、Google SREのブラックボックス/ホワイトボックスやfour golden signals、ITIL 4・ISO/IEC 27002などの標準用語に位置づけながら、症状ベースの計測を優先する3原則、ECサイトの注文機能を例にしたシナリオ→SLI対応表、GQM(Goal-Question-Metric)アプローチとの対応関係を示す。