OpsJAWS MEETUP25_みんなが幸せなインシデント管理

2023年9月4日開催 OpsJAWS Meetup#25 インシデント管理 で登壇した資料を公開します。
幸せになってほしい

Transcript

1. Ops JAWS Meetup#25 みんなが幸せなインシデント管理 2023年9月4日
2. 2 自己紹介 経歴 HWエンジニア → 中小SIer → ERPコンサル → AWS パートナー → つながる会社 Follow Me prairie.cards →→→→→→→→→→→→ Community OpsJAWS, (AWS Community Builder) 好きな言葉 No human labor is no human error. Ryo Yoshii 吉井 亮
3. インシデントとは サービス停止、または、品質低下によって ユーザーに影響を与える事象 3
4. インシデント管理とは 各所への影響を最小限に留め、 早期にサービスを復旧させるプロセス 4
5. インシデント管理プロセス 1. 検出 2. 分類 3. 解決策の立案 4. 解決策の実施 5. 回復、クローズ 5
6. どこに不幸が あるでしょうか？ 6 1. 検出 2. 分類 3. 解決策の立案 4. 解決策の実施 5. 回復、クローズ
7. アラート疲れ • 重要度や緊急度で通知先を変える • アラート本文に”意味”を持たせる 7
8. SLO と見比べる 稼働率 99.5 → 年間 43.8時間、月間 3.65時間 99.9 → 年間 8.76時間、月間 43.8分 99.95 → 年間 4.36時間、月間 21.9分 ※ 数時間ならオンコールでもいけそう ※ 43分だとNOCが必要 8
9. 無いぞ、無いぞ、手順書 • まずサービス回復 • 根本解決のための証拠保全 • エスカレーションも手順のうち 9
10. 眠いけど引き継ぎはしよう • ライブインシデント状況ドキュメント • 対面、WebMtg 会話で引き継ぎ 10
11. 俺たちはアベンジャーズだ • つよつよエンジニアに頼らない • 当人も悪い気がしていないようだ… 11
12. 繰り返すこのインシデント、あのアラートはまるで恋だね また繰り返す このインシデント 繰り返さないように根本対策を！ 12
13. 私達は人間です • 精神的、肉体的負担が増えてきたら インシデント対応から離れてもいい • 持ち回り公平に 13
14. 訓練 • 最初のアサインはシャドーから • 適切な研修 14
15. プロには報酬で報いる オンコール 応答・対応したら💴 対応しなくても当番になったら💴 15
16. THANK YOU 16