Google は 10 月 12 日、O'Reilly Media から出した『Site Reliability Engineering: How Google Runs Production Systems』の刊行 10 年を記念し、全面的に書き直した第 2 版を発表しました。運用やプラットフォームを担当するエンジニア、マネージャーに向けて、この 10 年で変わった信頼性エンジニアリングの実践をまとめ直した内容です。

主なポイント

  • SLO とエラーバジェットは、単純な可用性指標から、利用者視点の多層 SLO・burn-rate アラート・ポリシーの自動適用へと進んだ流れを解説します。
  • 監視は静的なダッシュボード中心から、OpenTelemetry や分散トレーシング、異常の自動相関を使う可観測性へ移ったと位置付けています。
  • 自動化・信頼性テスト・キャパシティ管理 (GPU や TPU のコスト最適化を含む)・組織モデルの変化も扱います。
  • AI については、LLM 基盤の GPU/TPU クラスタや学習パイプラインを安定運用する方法と、生成 AI でインシデントのトリアージや postmortem 作成を支援する方法の両面を取り上げます。
  • 紙の書籍は Google Books、電子版は O'Reilly から入手できると案内しています。

出典: 10 Years of the SRE book: Announcing the second edition of "Site Reliability Engineering"