点検読書

全体として何に関する本か？何がどのように詳しく述べられているか？

世界最大規模のソフトウェアシステムを支えるシステム管理とサービス運用について述べられている
Googleのサイトリライアビリティエンジニアリング部門のメンバーによる小論文集
Googleが物事を行う方法を説明しようとする試みであり、以下の2つを目的としている
- Googleが学んだことを他の組織でも利用できるようにすること
- SREという言葉が意味する役割と意味をもっとうまく定義すること

著者はどのような構成で概念や知識を展開しているか？

第1部：イントロダクション
- 1.イントロダクション
- 2.SREの観点から見たGoogleのプロダクション環境
第2部：原則
- 3.リスクの受容
- 4.サービスレベル目標
- 5.トイルの撲滅
- 6.分散システムのモニタリング
- 7.Googleにおける自動化の進化
- 8.リリースエンジニアリング
- 9.単純さ
第3部：実践
- 10.時系列データからの実践的なアラート
- 11.オンコール対応
- 12.効率的なトラブルシューティング
- 13.緊急対応
- 14.インシデント管理
- 15.ポストモーテムの文化：失敗からの学び
- 16.サービス障害の追跡
- 17.信頼性のためのテスト
- 18.SREにおけるソフトウェアエンジニアリング
- 19.フロントエンドにおけるロードバランシング
- 20.データセンターでのロードバランシング
- 21.過負荷への対応
- 22.カスケード障害への対応
- 23.クリティカルな状態の管理：信頼性のための分散合意
- 24.cronによる分散定期スケジューリング
- 25.データ処理のパイプライン
- 26.データの完全性：What You Read Is What You Wrote
- 27.大規模なプロダクトのローンチにおける信頼性
第4部：管理
- 28.SREの成長を加速する方法：新人からオンコール担当、そしてその先へ
- 29.割り込みへの対処
- 30.SREの投入による運用過負荷からのリカバリ
- 31.SREにおけるコミュニケーションとコラボレーション
- 32.進化するSREのエンゲージメントモデル
第5部：まとめ
- 33.他の業界からの教訓
- 34.まとめ