SRE(Site Reliability Engineering)は、サービスの信頼性を、ソフトウェア開発や仕組みの改善によって支える考え方・役割です。障害が起きたときに対応するだけでなく、繰り返す手作業や問題の原因を減らし、運用しやすいサービスにしていきます。
システムを動かす仕事と、動かし続ける仕組みを改善する仕事をつなぐ点に注目すると、仕事内容を理解しやすくなります。担当範囲は企業やチームによって異なります。
信頼性を改善するとはどういうことか
GoogleのSRE解説では、ソフトウェアの知識を運用へ適用し、自動化や改善を行う考え方が示されています。担当領域には可用性、応答時間、監視、変更管理、緊急対応、容量計画などが挙げられています。Google SRE Book
信頼性は「サーバーが起動している」だけでは捉えきれません。利用者が必要な操作を完了できるか、許容できる時間で応答するかなど、サービスの目的に沿って考えます。目標を決める際も、際限なく完全性を追うのではなく、利用者の要求と費用、開発の必要性を話し合います。
障害対応から改善へつなげる例
架空の予約サービスで、毎週同じ時間帯に応答が遅くなり、担当者が手動で処理を調整しているとします。
| 場面 | 対応の例 | 残す成果物 |
|---|---|---|
| 影響の把握 | 予約成功率と応答時間を確認 | 影響範囲と時系列 |
| 復旧 | 決めた手順で負荷を抑える | 実施内容と結果 |
| 原因の調査 | 処理と資源の状態を照合 | 根拠と未確認事項 |
| 改善 | 処理分散や自動化を検討・検証 | 変更案、テスト、運用手順 |
| 再確認 | 同じ条件で影響が減ったかを見る | 比較結果 |
これは仕事の理解用の例で、自社事例ではありません。毎回の復旧だけで終わらず、繰り返しを減らす設計や実装へ進めることがSREを考えるうえで重要です。
開発・インフラ運用との関係
開発担当は利用者へ提供する機能を作り、インフラ担当は基盤を設計・構築・運用するなどの役割を持ちますが、その境界は重なります。SREという名称があるだけで、他の担当が信頼性を考えなくてよくなるわけではありません。
たとえば新機能の公開では、監視項目、負荷、戻し方、障害時の連絡先を開発側と確認します。SREだけに運用上の問題を引き渡す形ではなく、改善できる担当へつなぐ仕組みが必要です。
必要な力を業務から見る
プログラミング、OSやネットワーク、監視、障害調査などが関係しますが、技術名をすべて並べるだけでは学習の順序が決まりません。
小さなサービスを作り、ログやメトリクスを確認し、意図した失敗から復旧する練習を考えられます。練習は自分が管理できる検証環境で行い、何を観測し、なぜその対応を選んだかを記録します。
説明や合意形成も必要です。改善の効果が見込めても、開発計画や費用との調整ができなければ実施できない場合があります。技術的な根拠と、利用者への影響を伝える力を合わせて考えます。
求人で確認すること
SREという求人名でも、オンコール、基盤構築、自動化開発、信頼性設計の比重は異なります。担当サービス、チームの分担、緊急時の勤務体制、改善に使える時間、変更権限を具体的に確認します。
Googleの運用例にある数値や役割を、他社の標準条件と決め付けないようにします。また、本稿はテクノヴァースがSRE職を募集していることを示すものではありません。
現在の経験と次に学ぶ仕事を整理する際は、エンジニアのスキルマップの作り方も参考にしてください。実際の募集は採用情報で確認できます。