SREのためのテレメトリー技術の探究 / Telemetry for SRE

YAPC::Fukuoka 2025 ゲストトーク

Transcript

1. SREのための テレメトリー技術の探究 YAPC::Fukuoka 2025 　 ゲストセッション Yuuki Tsubouchi (@yuuk1t) 　 さくらインターネット研究所 — モニタリングSaaS開発からAIOps・AIインフラまで
2. IUUQTTQFBLFSEFDLDPNNP[OJPOEFWFMPQUPTVSWJWFZBQDIBLPEBUFLFZOPUF TMJEF
   ೥ͷπΠʔτ ʢݱ஍ʹ͸͍ͳ͍౰ਓͷ༷ࢠʣ 2
3. 来歴 3 2013 2019 2020 2025 ݱࡏ モニタリング SaaS SRE さくら インターネット 研究所 はてな 京都 大 学 大 学院 情報学研究科 博 士 （情報学） 取得 AIOps AI Supercomputer eBPF YAPC::Asia 2013/2015 スピーカー
4. 趣旨 4 yuuk1の「探究」の道 ͜Ε·Ͱͷ୳ڀͷաఔͱɺ૯·ͱΊͱͯ͠ͷത࢜ݚڀɺ͜Ε͔Βͷ୳ڀ 43&ͷͨΊͷςϨϝτϦʔٕज़ΛϝΠϯςʔϚͱͯ͠ɺ ࣋ͪؼΓ Λڞ༗͢Δ ݸਓͷ୳ڀͷ࢓ํͷͻͱͭͷྫΛ঺հ͢Δ͜ͱͰɺ
   Έͳ͞·ͷ୳ڀͷؾ͖ͮʹͳΕ͹޾͍Ͱ͢ :"1$͸اۀΑΓݸ΁য఺ ˞ࢲݟ
5.  5 アジェンダ    はじめに モニタリ ングSaaS 開発 博 士 研究  まとめ  今後の 探究
6.  6 1. はじめに    はじめに 博 士 研究  まとめ  モニタリ ングSaaS 開発  今後の 探究
7. テレメトリーは基礎 of 基礎 … reliability is the most fundamental feature of any product: a system isn’t very useful if nobody can use it! By Michael R. Lyu By Ben Treynor Sloss ৴པੑͷجૅ͸ϞχλϦϯά ϓϩμΫτɾ޻ֶͷجૅ͸৴པੑ ςϨϝτϦʔʹΑΓ࣮ݱ Reliability is probably the most important factor to claim for any engineering discipline, … 7 1. ͸͡Ίʹ <>
   #FUTZ
   #FZFS
   FU
   BM
   l4JUF
   SFMJBCJMJUZ
   FOHJOFFSJOH
   IPX
   (PPHMF
   SVOT
   QSPEVDUJPO
   TZTUFNTz
   0`3FJMMZ
   .FEJB
   
   <>
   .JDIBFM
   3
   -ZV
   l4PGUXBSF
   3FMJBCJMJUZ
   &OHJOFFSJOH
   "
   3PBENBQ
   '04&
    <> <>
8. テレメトリー界の 大 まかな歴史 1960 2025 2000 1990 1980 2010 2020 ੍ޚ޻ֶ 04ͱ/8ػثͷ
   ܭ૷ͱՄࢹԽ 6/*9ͱΠϯλʔωοτ ΦϒβʔόϏϦςΟ --.
   0CTFSWBCJMJUZ ϞχλϦϯά
   4BB4ͷීٴ ౷߹؂ࢹ
   044 54%#ͷ
   εέʔϦϯά ෼ࢄτϨʔγϯά ඪ४Խ Ϋϥ΢υ θϩίʔυ
   ܭ૷ ܧଓతϓϩ ϑΝΠϦϯά 43& 2015 ϩάసૹͱ෼ੳ 8 1. ͸͡Ίʹ
9. テレメトリー年表 1960-2005 1960 ຌྫ ࿦จ 044 4BB4 ϓϩτίϧɾ࢓༷ ,BMNBO
   *'"$ 1980 4ZTMPH 1990 92 4/.1
   W #1' 98 .35( 2001 T'MPX 04 2005 #PSHNPO .VOJO 99 (BOHMJB 33%UPPM $PMMFDUE 03 02 ;BCCJY /BHJPT %5SBDF 4ZTUFN5BQ %ZOBUSBDF 4QMVOL 0CTFSWBCJMJUZ 64&/*9
   XJOUFS -*4" -*4" 1BSBMMFM
   $PNQVU  1. ͸͡Ίʹ ͦͷଞ
10. テレメトリー年表 2006-2015 %BQQFS
    $"$. ;JQLJO 1SPNFUIFVT (PSJMMB
    7-%# F#1' 95SBDF
    /4%* 2007 2010 2015 2008 /FX3FMJD %BUBEPH 2012 .BDLFSFM 2014 "QQ%ZOBNJDT (SBQIJUF *O fl VY%# 4UBUT% 0QFO54%# 2011 'MVFOUE (SBGBOB 2013 ,BJSPT%# 1JWPU
    
    5SBDJOH
    4041 4FOTV #$$  1. ͸͡Ίʹ ຌྫ ࿦จ 044 4BB4 ϓϩτίϧɾ࢓༷ ͦͷଞ
11. テレメトリー年表 2016-2025 0QFO5SBDJOH )POFZDPNC 0QFO5FMFNFUSZ .POBSDI
    7-%# 05F-
    1SP fi MF 2016 2025 18 0QFO.FUSJDT H/.* 17 19 2020 24 0#* ΦϒβʔόϏϦςΟͷීٴ 0QFO$FOTVT +BFHFS 21 "*0QT %FFQ'MPX
    4*($0.. -PLJ 7JDUPSJB.FUSJDT 23 1ZSPTDPQF 5IBOPT $PSUFY 4JHOP[ 4LZ8BMLJOH 0QFO--.FUSZ 0QFO-*5 7JDUPSJB-PHT 22 8$
    
    5SBDF
    $POUFYU .%#  1. ͸͡Ίʹ ຌྫ ࿦จ 044 4BB4 ϓϩτίϧɾ࢓༷ ͦͷଞ
12. 年表のその先は？ ʁ 12 1. ͸͡Ίʹ 2025 2020 --.
    0CTFSWBCJMJUZ ඪ४Խ θϩίʔυ
    ܭ૷ ܧଓతϓϩ ϑΝΠϦϯά
13. 年表のその先は？ 2025 2020 --.
    0CTFSWBCJMJUZ ඪ४Խ θϩίʔυ
    ܭ૷ ܧଓతϓϩ ϑΝΠϦϯά 
    ςϨϝτϦʔքͷ4%(T ࢀর͞Εͳ͍σʔλͷॲཧʹίετΛཁ͢Δ 
    "*
    GPS
    43& ো֐؅ཧ΁ͷ"*.-ద༻ 
    0CTFSWBCJMJUZ
    GPS
    "*
    4ZTUFNT (16ΫϥελͷΦϒβʔόϏϦςΟ޲্ 
    $POUSPMMBCJMJUZ 4-*ʹجͮࣗ͘཯੍ޚ 13 1. ͸͡Ίʹ
14.  14 2. モニタリングSaaS開発    はじめに 博 士 研究  まとめ  モニタリ ングSaaS 開発 今後の 探究
15. 2013年 サーバ管理ツールの開発 ςοΫΧϯϑΝϨϯεॳొஃ IUUQTTQFBLFSEFDLDPNZVVLJUIBUFOBGBMTFTBCBHVBOMJUVSVGBMTFIVB
    15 2. ϞχλϦϯάSaaS։ൃ ͸ͯͳͷΞϧόΠτͰ1FSM Ͱॻ͔Εͨαʔό؅ཧπʔ ϧΛॻ͘೔ʑ :"1$"TJB
    5PLZP
     ϨδετϦ 33%UPPM ϫʔΧʔ αʔό /BHJPT ಺෦%/4 ݖҖαʔό 4/.1 "1* "1*
16. 2014年 Mackerelのリリース IUUQTNBDLFSFMJPKBCMPHFOUSZ
    ϦϦʔεจʹl*NNVUBCMF
    *OGSBTUSVDUVSFz
    l$IBU0QTzͳͲ͕Έ͑ɺझΛײ͡Δ ॳ୅43&ͱͯ͠ܞΘΔ ᶃ
    ॳظߏஙͱͦͷޙ ͷ೥ͷӡ༻ ᶄ
    Ϋϥ΢υҠߦͱ ࣌ܥྻ%#։ൃ 16 2. ϞχλϦϯάSaaS։ൃ
17. 2014年 Mackerelの時系列DB IUUQTCMPHZVVLJPFOUSZIJHIQFSGPSNBODFHSBQIJUF
    (SBQIJUFΛಋೖ͠ɺਫฏ෼ׂͳ͠Ͱɺ࠷ऴతʹ'VTJPOJPࣾ੡
    JP%SJWFΛ ༻͍ͯL
    XSJUF
    *014Λࡹ͘ ͔͠͠ɺ̍ϝτϦοΫ̍ϑΝΠϧߏ੒ɺ͔͠΋ະདྷͷϑΝΠϧྖҬΛ༧Ί֬อ͢Δ w ฒྻʹେྔͷϑΝΠϧʹॻ͖ࠐΉͨΊɺ*0Ϛʔδ͕Ͱ͖ͳ͍
    
    ॻ͖ࠐΈޮ཰͕௿͍
    w ίϯςφ࣌୅Ͱ͸େྔͷϝτϦΫε͕ੜ੒͞ΕΔ
    
    σΟεΫ༰ྔΛѹഭ 17 2. ϞχλϦϯάSaaS։ൃ
18. 2017年 時系列DBの刷新 IUUQTTQFBLFSEFDLDPNZVVLJUUIFSFCVJMEPGUJNFTFSJFTEBUBCBTFPOBXT
    -4.USFFΠϯσοΫε΍֊૚ԽετϨʔδʢ44% )%%ʣʹ৮ൃ͞Εɺ αʔόʔϨεΞʔΩςΫνϟΛجʹ֊૚Խ͞Εͨ࣌ܥྻ%#Λ୤ߏஙͨ͠ 18 2. ϞχλϦϯάSaaS։ൃ
19. 2. ϞχλϦϯάSaaS։ൃ モニタリングSaaSでの経験を通じて w αʔόɺϝτϦΫεɺΞϥʔτͷΈͰ͸ͦͷγεςϜͷ͜ͱ͸Θ͔Βͳ͍
    w γεςϜσβΠϯɺϢʔβʔߦಈͷ܏޲ɺۭؒతߏ଄ʢґଘؔ܎ʣɺΞ ϥʔτରԠͷཤྺɺΞϓϦͷυϝΠϯ஌ࣝͳͲ
    w ϓϩμΫτίϯηϓτ͕ॏཁͰ͋Δ͜ͱʹؾͮ͘
    w ϞχλϦϯά͕؆୯ʹͰ͖·͢ɺҎ্ͷͳʹ͔
    w 044؂ࢹπʔϧ4BB4΁Ҡߦ͢Δ৔߹͸͜ΕͰ΋Α͔͕ͬͨʜ
    w ίϯηϓτ͕ͳ͍ͱઑΒͳ͍ 19
20. 2017年 コンセプトへの傾倒 *14+0/&
     ؂ࢹ͔Β؍ଌͱ࣮ݧ΁ ʢPZ͕ྲྀ෍͞ΕΔલʂʣ Մ؍ଌੑͱՄ੍ޚੑͷ֓೦Λ஌Δ ߃ৗతʹଟ༷ͳো֐ͱෛՙΛى͜͠ɺςϨϝτ ϦʔΛ΋ͱʹߏங͞ΕΔ਺ཧϞσϧΛܧଓతʹௐ ੔͢ΔγϛϡϨʔλʔͷΑ͏ͳ΋ͷ αΠόωςΟΫε΍ҰൠγεςϜཧ࿦ɺ੍ޚ޻ֶͷ ຊΛಡΈ࢝ΊΔ IUUQTTQFBLFSEFDLDPNZVVLJUJQTKPOFZVVLJ
    ϓϩΞΫςΟϒʹγεςϜΛ؍Δ 20 2. ϞχλϦϯάSaaS։ൃ
21. 2018年 論 文 執筆 IUUQTCMPHZVVLJPFOUSZXSJUJOHUIFUTECQBQFS
    ࣮຿Λ࿦จʹؼணͤ͞Δ͜ͱ͸೉͍͕͠ɺݴޠԽͷ܇࿅ͱͯ͜͠ΕҎ্͸ͳ͍ ৽͍͠ൃ૝Ͱ΋ͷΛߟ͑ΔͨΊʹɺֶज़ݚڀʹߦ͖ண͘ 21 2. ϞχλϦϯάSaaS։ൃ ΤϯδχΞ೴ʹΑΔ҉໧ͷલఏΛյ͢ඞཁ͕͋Δ
22. 2019年 さくらインターネット研究所へ ͦͯ͠ॴ௕ͷનΊ΋͋ Γɺཌ೥ʹത࢜՝ఔ΁ 22 IUUQTSFTFBSDITBLVSBBEKQ
    lத௕ظతͳࢹ఺Λ࣋ͪɺ ʙ೥ޙʹ࣮༻Խ͕ظ଴ ͞ΕΔٕज़Λ୳ٻ͠ͳ͕ ΒɺϝϯόʔҰਓͻͱΓ ͕ʮ໘ന͍ʯͱײ͡Δ ςʔϚʹ௅ઓ͠ɺ૑଄త ͳΠϊϕʔγϣϯΛੜΈ ग़͠·͢ɻz
23.  23 3. 博 士 研究   はじめに 博 士 研究  まとめ  モニタリ ングSaaS 開発  今後の 探究
24. 研究の最初期段階 エンジニア時代の思いつきの寄せ集めからスタート 24 ࣌ܥྻ%# 💡ϝτϦΫεʢ࣌ؒʣͱτϙϩδʢۭؒʣͰͳʹ͔Ͱ͖ͳ͍͔ʁ ωοτϫʔΫίʔϧάϥϑ ʁ ʁ 3. ത࢜ݚڀ
25. 時系列DBのKVSの書き込み効率 ϝϞϦϕʔεKVS ϝϞϦ͸ϥϯμϜΞΫ ηεޮ཰ʹ༏ΕΔͨ ΊɺϋογϡදΛ࠾༻ σΟεΫϕʔεKVS ϝτϦΫε਺͕૿େ͢Δ = KVSͷΩʔ਺͕૿େ͢Δ Memory Disk ฏߧ໦ɾεΩο ϓϦετͳͲͷ ιʔτࡁΈߏ଄ ιʔτࡁΈͷͨ ΊσΟεΫΞΫ ηεޮ཰͕ߴ͍ O(logn) ॻ͖ࠐΈ Flush ॻ͖ࠐΈ Memory O(k) σΟεΫ্ʹ͸σʔλ Λอ࣋͠ͳ͍ɻ ʢίϛοτϩάΛআ͘ʣ Disk File HBase, Cassandra, … Redis, Valkey, Dragonfly, … 3. ത࢜ݚڀ ↳ ಺෦ΦϒδΣΫτͷ؅ཧίετ૿େ ྫʣσʔλ௥Ճ࣌ͷΠϯσοΫεࢀরޮ཰
26. ϝϞϦϕʔεKVS ϝϞϦ͸ϥϯμϜΞΫ ηεޮ཰ʹ༏ΕΔͨ ΊɺϋογϡදΛ࠾༻ σΟεΫϕʔεKVS ϝτϦΫε਺͕૿େ͢Δ = KVSͷΩʔ਺͕૿େ͢Δ ↳ ಺෦ΦϒδΣΫτͷ؅ཧίετ૿େ Memory Disk ฏߧ໦ɾεΩο ϓϦετͳͲͷ ιʔτࡁΈߏ଄ ιʔτ͞Ε͍ͯ ΔͨΊσΟεΫ ΞΫηεޮ཰͕ ߴ͍ O(logn) ॻ͖ࠐΈ Flush ॻ͖ࠐΈ Memory O(k) σΟεΫ্ʹ͸σʔλ Λอ࣋͠ͳ͍ɻ ʢίϛοτϩάΛআ͘ʣ Disk ✘ ϝϞϦ͸هԱྔ͋ͨΓͷඅ༻͕େ ͖͍ͨΊɺ௕ظอ࣋ʹ͸ෆ޲͖ɻ ✘ Ωʔ਺͕େ͖͍࣌ʹɺσʔλͷॻ͖ ࠐΈޮ཰͕௿Լ͢Δɻ 3. ത࢜ݚڀ 時系列DBのKVSの書き込み効率 ྫʣσʔλ௥Ճ࣌ͷΠϯσοΫεࢀরޮ཰
27. 第 一 の研究：時系列DB 27 Client ϝϞϦϕʔεKVSʢRedisʣ σΟεΫϕʔεKVSʢCassandraʣ App Flusher ݹ͍σʔλͷอଘίετޮ཰Λ޲্ σʔλͷϚΠά Ϩʔγϣϯ ৽ணσʔλΛૠೖ ϋογϡදʹجͮ͘ߴ଎औΓࠐΈ SSD/HDDʹอଘ͢Δ͜ͱʹΑΔ ௕ظอ࣋ίετͷ௿Լ ཱ྆ 3. ത࢜ݚڀ
28. 第 一 の研究：スループットの 比 較 ϗετ਺ʢ1~8ʣ औ Γ ࠐ Έ ε ϧ ʛ ϓ ο τ ఏҊख๏͕ϕʔεϥΠϯͷ 3.98ഒɻ 420k datapoints/s ੨ɿKairosDB ᒵɿఏҊख๏ Slackࣾͷ12 M/s ͷϫʔΫϩʔυʹஔ ͖׵͑Δͱ - ఏҊख๏͸229ݸ - KairosDB͸915ݸ ͷϗετ਺Λඞཁͱ͢ΔܭࢉʹͳΔɻ ϝτϦΫε਺Λ1Mʹݻఆ 3. ത࢜ݚڀ <>
    ௶಺༎थ
    ͦͷଞ
    )FUFSP54%#
    ҟछ෼ࢄ,74ؒͷࣗಈ֊૚ԽʹΑΔߴੑೳ ͳ࣌ܥྻσʔλϕʔε
    ৘ใॲཧֶձ࿦จࢽ
    ೥ <>
    ਤ̏ΑΓվมͯ͠సࡌ
29. 第 二 の研究：NWコールグラフ 29 Load Balancers Database Clusters Web app servers Message queues Kernel User Proxy Network Stack App NIC Switch ωοτϫʔΫ௨৴ܦ࿏্ͷ͍ͣΕ ͔ʹܭଌ఺Λઃஔ͢Δɻ ΧʔωϧͰͷ F#1'ܭ૷
    ʹண໨ 3. ത࢜ݚڀ
30. 第 二 の研究：類似の 手 法の存在 30 Τοδέʔεͷ໰୊ղܾʹ ͳΓɺͩΜͩΜߩݙ͕খ͞ ͘ͳ͍ͬͯͬͨ طଘख๏ᶃ ύέοτ਺͕૿Ճ͢Δͱɺ ܭଌΦʔόʔϔου૿Ճ طଘख๏ᶄ ୹໋ͳTCP઀ଓ਺͕େ͖͍؀ ڥͰܭଌΦʔόʔϔου૿Ճ ఏҊख๏ Aggregation of aggregation ͷΑ͏ͳํ๏Ͱղܾ ղܾ ղܾ 3. ത࢜ݚڀ
31. 第 二 の研究：オーバーヘッド 比 較実験 ఏҊख๏ ɾ2.2%ҎԼͷCPUར༻཰Λҡ࣋ɻ طଘख๏ᶃ ࠷େ21.3%·ͰCPUར༻཰͕૿Ճɻ طଘख๏ᶄ ࠷େ11.5%·ͰCPUར༻཰͕૿Ճɻ 3. ത࢜ݚڀ <>
    :
    5TVCPVDIJ
    FU
    BM
    -PX
    0WFSIFBE
    5$16%1
    4PDLFUCBTFE
    5SBDJOH
    GPS
    %JTDPWFSJOH
    /FUXPSL
    4FSWJDFT
    %FQFOEFODJFT
    +PVSOBM
    PG
    *OGPSNBUJPO
    1SPDFTTJOH
    +*1
    7PM
    QQ
     [1]ͷ Fig 3. (a)ΑΓసࡌ
32. ϝτϦΫε 第三の研究：AIOps 32 /8ίʔϧάϥϑ ػցֶशɾ౷ܭղੳ ো֐ݪҼಛఆ ؔ࿈࿦จ͕ࢁ΄Ͳ͋ͬͨ 着想当時（2021年）で50+本 ೖྗ ౷ܭతҼՌਪ࿦ 3//-45.(// ࣌ܥྻҟৗݕ஌ ログやトレースも含む ࣌ܥྻΫϥελϦϯά ʜ ࠾༻͞ΕΔϞσϧ΋ଟ਺ <>
    4PMEBOJ
    +
    #SPHJ
    "
    "OPNBMZ
    EFUFDUJPO
    BOE
    GBJMVSF
    SPPU
    DBVTF
    BOBMZTJT
    JO
    NJDSP
    TFSWJDFCBTFE
    DMPVE
    BQQMJDBUJPOT
    "
    TVSWFZ
    "$.
    $PNQVUJOH
    4VSWFZT
    $463 
    
    'FC
       <> 3. ത࢜ݚڀ
33. 問題設定をずらす 33 ಛ௃ྔ࡟ݮ લॲཧͰϊΠζআڈ͢Δख๏Λ ߟ͑ͯΈΕ͹͍͍ͷͰ͸ʁ ଟ࣍ݩϥϕϦϯάʹΑΓ
    ϝτϦΫε਺͕૿େ ϊΠζ͕ଟ͍ 💡 ϝτϦΫε /8ίʔϧάϥϑ ػցֶशɾ౷ܭղੳ ো֐ݪҼಛఆ ೖྗ 3. ത࢜ݚڀ
34. 34 負荷テストと故障注 入 でデータづくり Workflow Scheduler Operational Data Stoage Load Generator Target Application 1. Inject faults Datasets Repositorry 2. Pick latest data to datasets 3. Wait until the application recovers ᶅ ࣍ͷinjection࣌ؒ ɹɹɹɹɹ·Ͱ଴ػ ᶃ ނোΛ஫ೖ ɹ(LitmusChaos) ᶄ εϩοτͷσʔλΛ ࠾औ Locust Microservices (Train Ticket) Argo Work fl ow 3. ത࢜ݚڀ ௶಺༎थ
    ੨ࢁਅ໵
    .FMUSJBɿϚΠΫϩαʔϏεʹ͓͚Δҟৗݕ஌ɾݪҼ෼ੳͷͨΊͷσʔληοτͷಈతੜ੒γεςϜ
    *054
    
35. [Tsubouchi+,ACCESS2025] Fig. 5:ΑΓసࡌ STEP 2: มԽ఺࣌ؒͷ෼෍ ΛجʹηάϝϯτΛ෼ׂ STEP 1: ࣌ܥྻ͝ͱʹɺมԽ఺ީิ Λݕग़ STEP 3: ࠷େີ౓ͷηάϝϯτΛબ୒ ߦ͖ண͍ͨಛ௃ྔ࡟ݮͷ࢓૊Έ 3. ത࢜ݚڀ
36. MetricSifter IUUQTHJUIVCDPNBJTSFNFUSJDTJGUFS
    ҟৗ ਖ਼ৗ ΦϯϥΠϯ
    มԽ఺ݕग़ͱ
    Χʔωϧີ౓ਪ ఆ๏ͷ૊Έ߹Θ ͤʹΑΓ࣮ݱ 3. ത࢜ݚڀ
37. SRE NEXT 2022 ࿦จԽ IUUQTEPJPSH"$$&44
    IUUQTTQFBLFSEFDLDPNZVVLJUTSFOFYU
    37 ࠷ऴతʹΧϥϜϖʔδ
    ௒͑ͷେ࡞ʹ ೥ऑ
38. 38 💡
    Ͳͷݸผݚڀ΋ϫʔΫϩʔυͷ૿େʹର͢ΔղܾఏҊʹͳ͍ͬͯͨ l4DBMJOH
    5FMFNFUSZ
    8PSLMPBETz ୈೋݚڀɹܭଌ૚ $16Ϧιʔεফඅݮ /8઀ଓ਺૿େ ϝτϦΫε਺૿େ ϝτϦΫε਺૿େ $16ɾ*0Ϧιʔεফඅݮ ࣮ߦ࣌ؒݮɾਫ਼౓૿ ίΞίϯηϓτͱͯ͠நग़ 博 士 論 文 のコアコンセプト 3. ത࢜ݚڀ ୈҰݚڀɹอଘ૚ ୈࡾݚڀɹ෼ੳ૚
39. 公聴会資料 IUUQTTQFBLFSEFDLDPNZVVLJUQIEEFGFODF
     3. ത࢜ݚڀ
40.  40 4. 今後の探究   はじめに 博 士 研究  まとめ  今後の 探究 40 モニタリ ングSaaS 開発 
41. 今後の探究領域 4. ࠓޙͷ୳ڀ 2025 2020 
    ςϨϝτϦʔքͷ4%(T ࢀর͞Εͳ͍σʔλͷॲཧʹίετΛཁ͢Δ 
    "*
    GPS
    43& ো֐؅ཧ΁ͷ"*.-ద༻ 
    0CTFSWBCJMJUZ
    GPS
    "*
    4ZTUFNT (16ΫϥελͷΦϒβʔόϏϦςΟ޲্ 
    $POUSPMMBCJMJUZ 4-*ʹجͮࣗ͘཯੍ޚ 4LJQ
42. 今後の探究領域 4. ࠓޙͷ୳ڀ 2025 2020 
    ςϨϝτϦʔքͷ4%(T ࢀর͞Εͳ͍σʔλͷॲཧʹίετΛཁ͢Δ 
    "*
    GPS
    43& ো֐؅ཧ΁ͷ"*.-ద༻ 
    0CTFSWBCJMJUZ
    GPS
    "*
    4ZTUFNT (16ΫϥελͷΦϒβʔόϏϦςΟ޲্ 
    $POUSPMMBCJMJUZ 4-*ʹجͮࣗ͘཯੍ޚ 4LJQ
43. Collect FirstからUse Firstへ ܭଌ อଘ ෼ੳ ඞཁͳσʔλͷΈΛऩू͢ΔΑ͏ʹࣗಈదԠ͍ͤͨ͞ ςϨϝτϦʔύΠϓϥΠϯԣஅͷશମ࠷దԽ σʔλར༻ύλʔϯͷ
    ϑΟʔυόοΫ 43 4. ࠓޙͷ୳ڀ ത࢜࿦จͰ͸ہॴతͳݸผ࠷దԽʹͱͲ·ͬͨ
44. 詳細は下記資料参照 IUUQTTQFBLFSEFDLDPNZVVLJUUFMFNFUSZTZTUFNTSFTFBSDIUSFOETJO
    44 4. ࠓޙͷ୳ڀ
45. 今後の探究領域 今後の探究領域 45 4. ࠓޙͷ୳ڀ 2025 2020 
    ςϨϝτϦʔքͷ4%(T ࢀর͞Εͳ͍σʔλͷॲཧʹίετΛཁ͢Δ 
    "*
    GPS
    43& ো֐؅ཧ΁ͷ"*.-ద༻ 
    0CTFSWBCJMJUZ
    GPS
    "*
    4ZTUFNT (16ΫϥελͷΦϒβʔόϏϦςΟ޲্ 
    $POUSPMMBCJMJUZ 4-*ʹجͮࣗ͘཯੍ޚ 4LJQ
46. AI for SRE --.Ҏલ͸ςϨϝ τϦʔσʔλͷΈ Λݯͱ͍ͯͨ͠ --.Ҏޙ͸ਓؒ ͕ॻ͍ͨςΩετ ΛؚΊΔΑ͏ʹ <>
    ;IBOH
    -JOH[IF
    FU
    BM
    "
    4VSWFZ
    PG
    "*0QT
    GPS
    'BJMVSF
    .BOBHFNFOU
    JO
    UIF
    &SB
    PG
    -BSHF
    -BOHVBHF
    .PEFMTz
    "$.
    $463
     <>
    'JH
    ΑΓసࡌ 46 4. ࠓޙͷ୳ڀ
47. LLM for SREの典型的な課題 ˢ
    4DBMJOH
    5FMFNFUSZ
    8PSLMPBET
    
    ίϯηϓτʹؚΊΒΕΔ 47 4. ࠓޙͷ୳ڀ σʔλܗࣜͷ࣭తͳҟ࣭ੑ ϩάɾϝτϦΫεɾτϨʔε ͷੜσʔλΛؚΊΔͱ͙͢ʹ ίϯςΩετ΢Οϯυ΢Λ௒ ͑ͯ͠·͏ ϝτϦΫε͸࣌ܥྻσʔλɺ ϩά͸൒ߏ଄ԽςΩετɺτ Ϩʔε͸ґଘάϥϑͳͲɺݴ ޠϞσϧ͕௚઀ղऍ͢Δ͜ͱ ͕೉͍͠ σʔλͷྔతͳ๲େ͞
48. コンテキスト 長 問題 <>
    $IFO
    :JOGBOH
    FU
    BM
    "*0QT-BC
    "
    )PMJTUJD
    'SBNFXPSL
    UP
    &WBMVBUF
    "*
    "HFOUT
    GPS
    &OBCMJOH
    "VUPOPNPVT
    $MPVET BS9JW
     <>
    'JHVSF
    ΑΓసࡌ "*ΤʔδΣϯτ͕σʔλऔಘ πʔϧʢHFU@NFUSJDT
    HFU@USBDFT౳ʣΛෆ༻ҙʹ࢖ ༻͢ΔͱɺίϯςΩετ͕ա ෛՙʹͳΔ λεΫʹࣦഊͨ͠έʔε Ͱ͸͜ΕΒͷ"1*͕ΑΓ සൟʹ࢖༻͞Εͨ ༨ஊɿϝτϦΫεϑΟϧλϦ ϯάʹɺZVVLͷത࢜ݚڀᶅ Λ࢖͑ΔͷͰ͸ʜʁ 48 4. ࠓޙͷ୳ڀ
49. コンテキスト 長 問題への対処 ,74ʹΑΔεφοϓγϣοτ؅ཧ <>
    ;FGBO
    8BOH
    FU
    BM
    l3$"HFOU
    $MPVE
    3PPU
    $BVTF
    "OBMZTJT
    CZ
    "VUPOPNPVT
    "HFOUT
    XJUI
    5PPM"VHNFOUFE
    -BSHF
    -BOHVBHF
    .PEFMTz
    $*,.
     PCTFSWBUJPO
    IFBE PCTFSWBUJPO
     PCTFSWBUJPO
     PCTFSWBUJPO
     TOBQTIPU
     TOBQTIPU
     TOBQTIPU
     ཁ໿ϔουͱ
    ϋογϡΩʔͷΈؚΉ ϩάͷཁ໿จ ੜϩά ϋογϡΩʔ ίϯςΩετ πʔϧݺͼग़͠Ͱඞཁͳ σʔλͷΈಡΈࠐΉ 49 4. ࠓޙͷ୳ڀ
50. 大 量の 生 異種データの特徴表現 ϝτϦ
    Ϋε ϩά τϨʔε ᶄ
    ࣌ܥྻͷߴप೾੒෼͚ͩ࢒͠ ͯҟৗΛڧௐʢ''5ʣ lͲ͕͜յΕ͍ͯΔ͔ͷ֬཰z ϓϩϯϓτ γεςϜ஌ࣝ τϨʔεɾϩάൈਮ աڈͷނোύλʔϯ ᶃҟछσʔλͷཁ఺ Λຊͷ࣌ܥྻϕΫ τϧ΁ม׵͢Δ
    લ ॲཧ ֦ࢄϞσϧ LT
    1PE౳ͷ୯ҐͷҼՌάϥϑԽ ͱ֬཰είΞԽ
    4FMG"UUFOUJPOͱ("5 <>
    ;IBOH
    9JBP
    FU
    BM
    5".0
    'JOF(SBJOFE
    3PPU
    $BVTF
    "OBMZTJT
    WJB
    5PPM"TTJTUFE
    --.
    "HFOU
    XJUI
    .VMUJ .PEBMJUZ
    0CTFSWBUJPO
    %BUB
    JO
    $MPVE/BUJWF
    4ZTUFNT BS9JW
    QSFQSJOU
    BS9JW   <>
    'JH
     ͷҰ෦Λ సࡌ 50 4. ࠓޙͷ୳ڀ
51. LLM for SRE：今後の可能性 43&ಛԽͷϚϧνϞʔμϧج൫Ϟσϧ ݴޠϞσϧͰ͋Δ͜ͱͷݶք͕ ͋Δ͔Λ୳Δ ෳ਺ͷҟͳΔγεςϜ༝དྷͷ σʔλΛ࢖͏ ϝτϦΫεɺϩάɺτϨʔεͷ ࣌ܥྻੑ͕ࣦΘΕΔ ݱࡏͷ΄ͱΜͲͷख๏͸͋ΔҰͭͷ γεςϜ༝དྷͷσʔλΛೖྗͱ͢Δ େྔͷσʔληοτΛಘΔ ͜ͱ͕ඇৗʹ೉͍͕͠ʜ ͢Ͱʹ࣌ܥྻج൫ϞσϧͳͲ͸ଘࡏ͢Δ 51 4. ࠓޙͷ୳ڀ
52. 24年3 月 までのサーベイは下記資料参照 IUUQTCMPHZVVLJPFOUSZUIFXPSMEPGMMNTSF
    52 4. ࠓޙͷ୳ڀ
53. 今後の探究領域 53 4. ࠓޙͷ୳ڀ 2025 2020 
    ςϨϝτϦʔքͷ4%(T ࢀর͞Εͳ͍σʔλͷॲཧʹίετΛཁ͢Δ 
    "*
    GPS
    43& ো֐؅ཧ΁ͷ"*.-ద༻ 
    0CTFSWBCJMJUZ
    GPS
    "*
    4ZTUFNT (16ΫϥελͷΦϒβʔόϏϦςΟ޲্ 
    $POUSPMMBCJMJUZ 4-*ʹجͮࣗ͘཯੍ޚ 4LJQ 今後の探究領域
54. さくらONE IUUQTXXXTBLVSBBEKQTBLVSBPOF
    ͘͞ΒΠϯλʔωοτ
    ݚڀॴ͕ओװ マネージドGPUスパコンサービスを提供中 ˞(16ϕΞϝλϧαʔϏεߴՐྗ1):΋ఏڙத εύίϯੑೳϥϯΩϯά 501
    ੈքҐ֫ಘ ʢ*4$ʣ 54
55. GPUグリッド表 示 )1&
    $MVTUFSWJFX ˞
    IUUQTHSBGBOBDPNHSBGBOBQMVHJOTIQFIQDHSBGBOBDMVTUFSWJFXQBOFM
    ˞ ύωϧϓϥάΠϯ ϥοΫˠαʔόˠ
    (16 ͳͲͷೖΕࢠදݱՄ (16ిྗফඅྔͷྫ ࣾ಺ͷ)1$ઐ໳ Ոʹ޷ධ ೴಺Πϝʔδʹ
    ͍ۙϏϡʔ 55 4. ࠓޙͷ୳ڀ
56. GPUゼロコード計装の最先端 56 $6%"
    "1*૚ (16υϥΠό૚ ˞
    zF#1'
    5VUPSJBM
    5SBDJOH
    $6%"
    (16
    0QFSBUJPOTz
    IUUQTFVOPNJBEFWUVUPSJBMTDVEBFWFOUT
    
    ˞
    lF#1'
    5VUPSJBM
    CZ
    &YBNQMF
    .POJUPSJOH
    (16
    %SJWFS
    "DUJWJUZ
    XJUI
    ,FSOFM
    5SBDFQPJOUTz
    IUUQTFVOPNJBEFWUVUPSJBMTYQVHQVLFSOFMESJWFS
    
    ˞
    l8SJUF
    BOE
    3VO
    F#1'
    PO
    (16
    XJUI
    CQGUJNFz
    IUUQTFVOPNJBEFWFOCQGUJNFEPDVNFOUTHQV
    VQSPCFT
    
    
    MJCDVEBSUTP (16΁ͷϝϞϦׂ౰ɾసૹɾಉظɺΧʔωϧىಈؔ਺ʹϑοΫ USBDFQPJOUT
    
    LQSPCFT ϥϯΩϡʔͷਂ͞΍9*%ΤϥʔΛܭଌՄೳ ˞ ˞ ˞ CQGUJNF ඇಉظ΍(16಺෦ͷৄࡉܭଌ͸ࠔ೉ Ϣʔβʔͷ1ZUIPOϓϩηεͱͷඥ͚ͮՄೳ 04ΧʔωϧͷൣᙝͳͷͰɺҰൠతͳLQSPCFTͳͲͰܭଌՄೳ ඇಉظͰ΋(16಺ج४Ͱͷ࣌ࠁ͕Θ͔Δ
    (16಺ͷϫʔϓ΍εϨου୯Ґཻ౓Ͱͷܭଌ 159ʢ(16தؒදݱʣίʔυ΁F#1'ίʔυΛ஫ೖ Ϣʔβʔۭؒ
    F#1'ϥϯλΠϜ (16಺෦૚ 4. ࠓޙͷ୳ڀ
57. GPUゼロコード計装の課題 $6%"
    "1*૚ (16υϥΠό૚ (16಺෦૚ ਂ૚ֶश'8૚ʢ1ZUIPOʣ ෼ࢄτϨʔγϯά΁ͷؼணʹ͸
    ֤૚ͷΠϕϯτΛ૬ؔͤ͞Δඞཁ͋Γ (16ϝϞϦؒ௨৴΋
    ݪཧతʹ͸ܭଌͰ͖Δ͸ͣʜ
    ίϯςΩετ఻ൖΛͲ͏΍Δ͔ʁʁ ݱঢ়͸·ͩͦͷΑ͏ͳ
    πʔϧ͸ͳ͍ ݚڀ։ൃͷྖҬ 4. ࠓޙͷ୳ڀ
58. 詳細は下記資料を参照 IUUQTTQFBLFSEFDLDPNZVVLJUPCTFSWBCJMJUZGPS BJTVQFSDPNQVUFSTBLVSBPOF
    IUUQTTQFBLFSEFDLDPNZVVLJUTBLVSBPOF MMNUSBJOJOHCFODINBSLJOH
    4. ࠓޙͷ୳ڀ
59.  59 5. まとめ    はじめに 博 士 研究  まとめ モニタリ ングSaaS 開発  今後の 探究
60. まとめ ॳ࢓ࣄΛ਌ͩͱࢥͬͯ͠·ͬͨʢJNQSJOUJOHʣ 2012 2025 2015 2020 ത࢜՝ఔ ͸ͯͳ ࣾ಺.BDLFSFM .BDLFSFM ͘͞ΒΠϯλʔωοτ 1FSM4/.1
    33%UPPM 
    4%(T 60 5. ·ͱΊ (SBQIJUF3FEJT
    %ZOBNP%#4 4DBMJOH
    5FMFNFUSZ
    8PSLMPBET 
    --.
    GPS
    43& 
    "*εύίϯ 
    Մ੍ޚੑ ݱ৔ͷӡ༻ ֶज़ ݱ৔΁ద༻
61. テレメトリー技術のおもしろさ w ܭ૷ɿର৅γεςϜͷछྨ͸ଟذʹΘͨΔͷͰେม
    ˠ
    ແݶʹ༡΂Δ
    w ର৅γεςϜʢ(16Ϋϥελ΍ωοτϫʔΫͳͲʣʹ݁ہͦΕͳΓʹৄ͘͠
    ͳΒͳ͍ͱ͍͚ͳ͍
    w ετϨʔδɿ෼ࢄ%#ٕज़͕େม
    ˠ
    ແݶʹ༡΂Δ
    w ෼ੳɿ౷ܭɾػցֶश͕େม
    ˠ
    ແݶʹ༡΂Δ ஌Βͳ͍͜ͱ͕ͲΜͲΜ૿͍͑ͯ͘ 61 5. ·ͱΊ ෼໺Λԣஅ͢Δ͓΋͠Ζ͍ྖҬ
62. 技術を探究する仕 方 のひとつ Ξ΢τϓοτͷੵΈॏͶʹΑΓ
    ࢥࡧΛਂΊ͍ͯ͘ ϙοϓΧϧνϟʔΛ୤ͯ͠ ֶज़ͱݺ΂Δ΋ͷ΁43&Λ ԡ্͛͠Δ ҰํͰɺֶज़෼໺ͱ͠ ཱͯ֬͢Δͱ໘ന͘ͳ ͘ͳΔͷͰ͸ʁ ໃ६ ϙοϓͱֶज़ͷڱؒͰ 62 5. ·ͱΊ ΞϥϯɾέΠͷ
    l$PNQVUJOH
    BT
    1PQ
    $VMUVSFz
    ͷจ຺
63. A. 付録
64. テレメトリーとは ԕִ஍ ܭث ૹ৴ ෼ੳ ؂ࢹͱ෼ੳͷͨΊʹɺγεςϜɺΞϓϦέʔγϣϯɺαʔϏε͔Βԕִ஍΁ɺ ੑೳ΍ར༻ʹؔ͢ΔσʔλΛࣗಈͰऩू͠ɺૹ৴͢Δɻ ܭثͷಡΈऔΓ஋Λه࿥͠ɺૹ৴͢Δϓϩηεɻ Ұൠతͳఆٛ ιϑτ΢ΣΞจ຺Ͱͷఆٛ ˞
    ςϨϝτϦʔͷఆٛʹ෼ ੳ͸ؚ·Εͳ͍͕ɺιϑτ ΢ΣΞจ຺Ͱ͸χΞϦΞϧ λΠϜͷ෼ੳ͕ཁٻ͞ΕΔ ͨΊɺςϨϝτϦʔͷܥͷ தʹ෼ੳ·ͰؚΊͯ΋Α͍ ͷͰ͸ͳ͍͔ 64
65. テレメトリーという 用 語選択 w ത࢜࿦จҎલ͸ɺzςϨϝτϦʔzΛ༻͍ͣɺzϞχλϦϯάz΍zΦϒβʔόϏϦ ςΟzͱ͍͏ޠ͚ͩͰઆ໌͍ͯͨ͠
    w zΦϒβʔόϏϦςΟz͸ɺ੍ޚ޻ֶͷՄ؍ଌੑͱ͸ҙຯ͕શ͘ಉ͡Ͱ͸ͳ͍
    w ത࢜࿦จͰ͸ɺଞͷ఻౷తͳ޻ֶ෼໺ͱ઀ଓͤ͞ΔͨΊʹzςϨϝτϦʔzΛ༻ ͍ͨ
66. 先 行 研究① 　 異常時のみデータを参照しがち [1] Zhang, Lei, et al. "The bene fi t of hindsight: Tracing Edge-Cases in distributed systems." NSDI, 2022. [1]ͷ Fig.2ΑΓసࡌ Ͳ͏΍Δͷʁ IUUQTHJUMBCNQJTXTPSHDMEUSBDJOHIJOETJHIU
    ҟৗɾكͳΠϕϯτݕ஌࣌ ͷΈτϨʔεΛऩू͍ͨ͠ ΤʔδΣϯτʹ௚ۙͷσʔ λΛৗʹอ͓࣋ͯ͘͠ ݕ஌࣌ʹɺΤʔδΣϯτ্ͷ ݻఆ௕όοϑΝ্ͷσʔλΛ ૹ৴
67. 先 行 研究② 　 冗 長 ログの削除 ୯ҰͷϩάςϯϓϨʔτ͕શετ ϨʔδͷΛ઎Ί͍ͯͨɻ ໰୊ write(2) ʹeBPFͰϑοΫͯ͠ϗο τεϙοτ൑ఆ͞ΕͨΒϩάग़ྗ Λdrop ࡟ݮɿ1#
    ˠ
    1#೔
    ʣ
    मਖ਼࣌ؒ୹ॖɿ೔
    ˠ
    ෼ ݁Ռ Yu, Guangba, et al. "Logreducer: Identify and reduce log hotspots in kernel on the fl y." ICSE, 2023. ʢ8F$IBU
    ೔ʹ1#ɺஹߦʣ ख๏
68. Scaling Telemetry Workloads: 今後の展開例 w औಘස౓ɾϩάϨϕϧɾαϯϓϦϯά཰ͷదԠత੍ޚ
    w ΤϥʔόδΣοτͷ࢒ྔ͕ଟ͚Ε͹ૈ͘͠ɺগͳ͘ͳΕ͹ࡉ͔͘͢Δ
    w σʔλͷࢀর਺Λܭ্͓͖ͯ͠ɺཻ౓Λ௿͘͢Δ͔ɺܭଌ͠ͳ͍
    w શମ࠷దԽ
    w ϝτϦΫεɾϩάɾτϨʔεݸผͰ͸ͳ͘ɺίετ૯ֹΛ੍໿ͱͯ͠ɺ ౷߹͞Ε੍ͨޚػߏ
69. 69 ޻ֶͱͯ͠ͷSREͷఆٛʢ2024೥ yuuk1൛ʣ SREͱ͸ɺߴස౓ͷมߋΛલఏͱ͢ΔγεςϜΛର৅ʹɺ ɹ1) ར༻ऀࢹ఺Ͱͷ৴པੑΛܭଌՄೳͳมྔʹؼணͤ͞ɺ ɹ2) ৴པੑΛద੾ͳ஋ʹ੍ޚՄೳͱ͢Δ͜ͱʹΑΓɺ ɹ3) ଞͷมྔʢมߋ଎౓ɺඅ༻ͳͲʣΛ๬·͍͠஋ʹಋ͘ɺ ͜ͱΛ໨తͱ͢Διϑτ΢ΣΞ޻ֶͷҰ෼໺Ͱ͋Δ ࠷దԽ໰୊ͷΑ͏ͳܗͰ ఆ͍ٛͯ͠Δ