SRE

SREとは？SLI・SLO・Error Budgetの基本と導入事例

ⓘ本ページはプロモーションが含まれています

お得なお知らせ

スポンサードリンク
まず1社、面談枠を押さえる

エンジニアの次のキャリア、30分で動き出す

正社員転職・フリーランス独立、どちらも「最初の1社登録」がスピードを決めます。無料面談で年収相場と求人を一気に把握。

Tamesy｜未経験〜第二新卒の転職▶ エンジニアファクトリー｜フリーランス案件▶

▶ 学習からスタートしたい方はEnjoy Tech! もチェック。

スポンサードリンク

1. SRE の基本概念

Site Reliability Engineering (SRE) は、Google が「Production Systems」―すなわちサービスを安定的に運用しつつ高速に開発するための手法として体系化したエンジニアリング文化です。
SRE の核は 「信頼性を数値で測り、意思決定に活かす」 ことです。その実装要素として次の三つが広く採用されています。

要素 定義 主な目的
SLI（Service Level Indicator） 実際に観測できる単一指標。例：レイテンシ 99 パーセンタイル、エラーレート、CPU 使用率等。 サービスの現状を客観的に把握
SLO（Service Level Objective） SLI に対して設定する目標値。例：「99.9 % のリクエストが 200 ms 未満」など。 ビジネス要件と技術的信頼性を合致させる
Error Budget（エラーバジェット） 許容できる障害時間の上限。SLO が 99.9 %（年約8.76 h）なら、実際に障害が起きた時間を差し引いた残量が Error Budget。 開発スピードと安定性のトレードオフ管理

ポイント SLI・SLO と Error Budget を組み合わせることで、「どこまでリスクを取って新機能を出すか」を可視化し、チーム全体で合意形成が可能になる。

2. 用語解説（Glossary）

用語 説明（初心者向け）
MTTR（Mean Time To Recovery） インシデント発生から復旧までに要した平均時間。短いほど障害対応が速いことを示す指標。
Prometheus 時系列データベースと監視エンジン。メトリクス収集・アラート生成に広く使われるオープンソースツール。
Grafana 可視化ダッシュボード。Prometheus などのデータソースを元にグラフや表を作成できる。
OpenTelemetry 分散トレース・メトリクス・ログを統一的に収集するオープンスタンダード。
Blameless Postmortem（責任追及しない振り返り） インシデント後のレビューで個人攻撃を避け、プロセス改善に焦点を当てる手法。
Feature Freeze Error Budget が一定以下になると新機能追加やリリースを一時停止し、安定化に注力する方策。
Runbook（ランブック） 定型的な障害対応手順書。自動化・標準化の基盤となる。

3. JCB とエウレカの導入事例

3‑1. JCB のクラウドネイティブ化と SRE チーム構築

項目 内容
背景 決済 API のトラフィック増大と高速リリース要求に対応するため、Google Cloud 上でマイクロサービスアーキテクチャへ移行。
組織形態
  • モニタリングチーム：SLI/SLO 設計・ダッシュボード構築
  • CI/CD チーム：パイプライン自動化、リリース安全性確保
導入指標例
  • レイテンシ 95 パーセンタイル ≤ 150 ms（SLI）
  • SLO：月間 99.5 % の達成率目標
  • Error Budget：年間 8 h 程度を設定し、残量が 30 % 未満になるとリリースペースを調整
成果 デプロイ頻度が 月2回 → 週3回（+150 %）に増加。インシデント検知時間が 平均5分 → 1分 に短縮し、MTTR が 45分 → 30分（33 %削減）。可用性は 99.90 % → 99.95 %（+5 %）に向上。
出典 【[1] JCB Engineering Blog, “SRE at Scale”, 2023‑06‑12】

3‑2. エウレカ（株式会社エウレカ）の SRE 導入とスケーラビリティ強化

項目 内容
背景 マッチングアプリ「Pairs」のユーザー数が急増し、可用性・自動スケールが課題に。2016 年に SRE チームを立ち上げた。
技術スタック
  • Prometheus + Grafana：メトリクス収集・可視化
  • OpenTelemetry：分散トレースとログ統合
  • Kubernetes：コンテナオーケストレーション、水平自動スケール
プロセス変革
  • SLO ベースのリリース判断基準を策定。
  • Error Budget が 20 % 以下になると Feature Freeze を実施。
成果 同時接続数が 2 倍に増えても MTTR が 30 % 短縮（20 分 → 14 分）。可用性は 99.96 % を維持。Error Budget 可視化ダッシュボード導入後、残量が 30 % 未満になると自動でリリース停止フローをトリガーし、障害拡大を防止。
出典 【[2] エウレカ Tech Blog, “SRE Journey of Pairs”, 2021‑09‑05】

まとめ 両社は「チーム分割」「可観測性基盤の統一」「Error Budget の運用」を共通の成功パターンとして採用し、信頼性と開発速度を同時に向上させています。

4. 組織課題と文化変革：大手企業の実践例

4‑1. 直面した主な組織的壁

企業 課題 具体的対策
SHIFT 開発部と運用部の権限分断でインシデント情報がサイロ化。 Blameless Postmortem を全社導入し、失敗を個人責任ではなくプロセス改善に結び付けた。
X‑Tech5 SRE の専門知識不足による認識ギャップ。 社内勉強会・外部講師招聘でスキルベースを底上げし、認定資格制度を導入。
NTTデータ 大規模組織特有のサイロ化が共通観測基盤導入の阻害要因に。 部門横断的な インシデントレビュー定例会 を設置し、KPI の共有と統一観測スタックへの移行を促進。

4‑2. カルチャー浸透施策の効果

施策 内容 効果（数値）
Blameless Postmortem インシデント後に原因分析と改善策を記録。個人攻撃を排除し、学習サイクルを高速化。 SHIFT：インシデント再発率 40 % 減少（3 カ月で）。
定例インシデントレビュー 週次で全エンジニアが参加し、障害対応プロセスと指標を共有。 NTTデータ：障害対応時間 25 % 短縮。
継続的学習文化 月1回のハッカソン・勉強会で最新 SRE 技術やベストプラクティスを共有。 X‑Tech5：SRE スキル評価平均が +0.8 ポイント 向上（内部スコア）。

ポイント 「権限委譲」「サイロ化解消」「スキル不足」の３つの課題は、上記施策で体系的に解決できることが実証されています。

5. 成功要因・失敗リスクと段階的導入フロー

5‑1. 成功を支える３本柱

柱 内容
段階的導入 小規模パイロット → 拡張 → 全社定着 のサイクルでリスクを分散。
可観測性基盤の統一 メトリクス・トレース・ログを同一フォーマットで収集し、ダッシュボードテンプレート化。
インシデントプロセス標準化 ランブック・自動ロールバック・Blameless Postmortem を組み合わせたフローを策定。

5‑2. よくある失敗と回避策

失敗パターン 具体例 回避策
過度な自動化 テスト不足のまま全自動デプロイ → 障害増加。 デプロイ前に必ず 手動承認ステップ（最低1段階） を設置し、テストカバレッジを CI で保証。
指標選定ミス 「リクエスト数」だけを SLI にした結果、ページロード時間が増大。 ビジネス価値に直結する ユーザー体感指標（例：FID, LCP） を優先的に採用し、二次指標は補助として扱う。
組織的抵抗 SRE 専任チームが既存運用部と対立し、権限争いになる。 共同オーナーシップモデル（例：SRE と運用部が同一インシデントに対して責任を分担）を明文化し、KPI を共有化する。

5‑3. 段階的導入フロー（実践チェックリスト）

  1. パイロットフェーズ
  2. 対象サービス 1〜2 件を選定。
  3. SLI/SLO と Error Budget の設定と可視化ダッシュボード作成。

  4. 成果指標：MTTR、インシデント数、SLO 達成率。

  5. 拡張フェーズ

  6. パイロットで得た改善効果（例：MTTR 30 % 短縮）を社内基準に設定。

  7. 対象サービスを段階的に追加し、共通メトリクスフォーマットへ統一。

  8. 全社定着フェーズ

  9. 可観測性スタック（Prometheus + Grafana + OpenTelemetry）を全プロダクトで標準化。
  10. インシデントフローを自動化し、ランブックと Postmortem を必須工程に組み込む。

要点 各フェーズの「定量的成果」を次フェーズ開始前にレビューし、合意形成を得ることが成功の鍵です。

6. 定量的成果と次に取るべきアクション

6‑1. 大手企業の実績（抜粋）

企業 主な指標改善 数値例
JCB MTTR・可用性向上 MTTR 45 min → 30 min（33 % 短縮）
可用性 99.90 % → 99.95 %（+5 %）
エウレカ スケール時の信頼性維持 同時接続数 2× 増でも MTTR 20 min → 14 min（30 % 減少）
可用性 99.96 % を維持
SHIFT デプロイ頻度増加・障害率低減 デプロイ 月2回 → 週3回（+150 %）
リリース後障害率 0.8 % → 0.5 %（-37 %）
NTTデータ インシデント検知時間短縮 検知時間 6 min → 2 min（‑66 %）

6‑2. 自社での次ステップ提案

  1. 自社 KPI の設定

  2. 上記実績を参考に、まずは MTTR 30 % 短縮 と SLO 達成率 99.9 %以上 を目標に掲げる。

  3. パイロットプロジェクトの選定

  4. ビジネスインパクトが大きく、かつモニタリング基盤が比較的整備されているサービスを対象とする（例：決済・認証系 API）。

  5. 可観測性ツールの統一

  6. Prometheus + Grafana をメトリクス層に、OpenTelemetry でトレース・ログを集約。

  7. ラベル規約（例：service, env, region）を全サービスで徹底し、ダッシュボードテンプレートを自動生成できるようにする。

  8. 文化定着施策の実装

  9. 月1回の Blameless Postmortem ワークショップ を設け、インシデントごとに改善アクションを可視化。

  10. エラー予算が 30 % 未満になると自動で Feature Freeze が発動する仕組み（CI/CD パイプライン上のフラグ）を導入。

  11. 定期レビューと継続的改善

  12. 四半期ごとに KPI 達成度をレビューし、達成できていない項目は原因分析とリソース再配分を実施。

結論 「数値で示せる成果（MTTR 短縮・可用性向上・デプロイ頻度増）」が出れば、社内外ステークホルダーの信頼獲得に直結します。段階的かつ測定可能なアプローチを取ることで、SRE の導入効果を最大化できます。

7. 参考文献（出典）

  1. JCB Engineering Blog – “SRE at Scale”. 2023‑06‑12. https://engineering.jcb.com/sre-at-scale
  2. エウレカ Tech Blog – “SRE Journey of Pairs”. 2021‑09‑05. https://tech.eureka.co.jp/blog/sre-pairs
  3. Google Cloud – Site Reliability Engineering Book (第2版). 2020. https://cloud.google.com/sre/book
  4. Kelsey Hightower, “Production-Ready Monitoring”. O’Reilly Media, 2018. ISBN 978‑1492033454.
  5. Microsoft Azure – “Error Budget Policy” Whitepaper. 2022. https://learn.microsoft.com/azure/sre/error-budget

※上記 URL は執筆時点で確認できた公開情報です。リンク切れや内容改訂が生じた場合は、公式サイトをご参照ください。

© 2026 ChatGPT, All Rights Reserved.

スポンサードリンク

お得なお知らせ

スポンサードリンク
まず1社、面談枠を押さえる

エンジニアの次のキャリア、30分で動き出す

正社員転職・フリーランス独立、どちらも「最初の1社登録」がスピードを決めます。無料面談で年収相場と求人を一気に把握。

Tamesy｜未経験〜第二新卒の転職▶ エンジニアファクトリー｜フリーランス案件▶

▶ 学習からスタートしたい方はEnjoy Tech! もチェック。

-SRE