4つのタイプから想定する、適切なシステム運用のサイクル

正しいシステム運用のかたち

前回に続き、「大規模システムやクラウド環境に適した運用設計」と題して、将来を見据えたシステムの改善や、次の開発につなげることができるような運用設計手法について説明する。

システム運用においては、いくつかのキーワードに分割することができる。表1のように、大きく4つに分類できるが、4番目の項目は択一で、これを、

のように回し続けることが肝要だ（図1参照）。

図1：運用のサイクル

必要最小限の運用サイクル：「監視」⇒「対応」⇒「分析」⇒「改善」

ここで、必要最小限のシステムのライフサイクルを具体的に見ていこう。

まず、最低限必要な「監視」を開始する。例えば、ブラウザーで閲覧するようなサービスであれば、トップページが表示できるかどうかを、5分おきに確認するくらいで、十分にその要件を満たす。当然、「手動でブラウザーを開いて確認する」作業は、継続できるわけではないので、障害発生時の通知を含めて、何らかの自動化を行うことになる。それと同時に、どのくらいの時間で表示できたのかという情報は、保存するようにしておくことを忘れないようにしていただきたい。このことは、後の「分析」の段階で必須の情報となる。

次に「対応」だが、事前に「誰が対応するのか」を決定しておけば、最低限の要件を満たす。「対応」完了後、あらかじめ収集しておいたデータで障害時の状況を「分析」し、原因を特定する。このとき、特定に至らない場合は推定する。

最後に、「改善」を実施するが、原因が明らかになった場合にはその対応を実施し、そうでない場合は推定した原因に基づいて、新たな監視ポイントを追加設定する。その際、情報収集も忘れないようにすることが大切だ。また、同様の現象が発生した場合の対応手順を作成し、次回はより迅速に復旧できるよう、備えておく。

これらの運用のサイクルを回すにつれ、監視や情報収集ポイントが増えてゆき、次第に問題の原因が絞り込まれていくことになる。最終的には原因は判明し、解決できるだろう。

障害ありきのサイクルからの脱却：「監視」⇒「分析」⇒「改善」

確かに最低限のサイクルは前項の通りだが、これではほとんど障害待ちであり、本当の意味で障害に備えているとは言えない。障害はなくとも、定期的に収集した情報を分析しよう。

「障害発生時」という、明確に注目するポイントがないため、やや難易度が高いが、例えば簡単な方法として、収集しているすべてのグラフを、当月分と前月分とを並べて比較してみるといい。まったく同一であれば何の対処も必要ないが、当月が前月よりもページの表示速度が遅くなっているなどの差異があるのであれば、その原因を追究していくことになる。

次に、突き止めた原因に基づいて設定調整を行う。原因が明らかにならなければ、監視・情報収集ポイントを増やすよう、「改善」を実施しておく。

以上のサイクルを回すことにより、障害は未然に防がれるようになっていく。