SREとは何か？定義と誕生の背景
SRE（Site Reliability Engineering：サイトリライアビリティエンジニアリング）とは、Googleが2003年に提唱した「ソフトウェアエンジニアリングの知識と手法をシステム運用に適用することで、信頼性の高いシステムを効率的に運用する」ための考え方・手法・組織体制です。
従来のシステム運用（インフラ・オペレーション）は、手動作業や属人的なノウハウに依存しがちでした。SREではソフトウェアエンジニアリングの思想を持つエンジニア（SREエンジニア）が運用を自動化・改善することで、スケーラビリティと信頼性を同時に高めます。
SREの主な役割と責務
サービスレベル管理（SLI・SLO・SLA）
SREの中核となる概念が、サービスレベルを定量的に管理する3つの指標です。
- SLI（Service Level Indicator）：サービスの信頼性を測る実際の指標（可用性・レイテンシ・エラーレートなど）
- SLO（Service Level Objective）：SLIに対して設定する目標値（例：月間可用性99.9%）
- SLA（Service Level Agreement）：顧客との合意・契約上の約束。SLOより若干低めに設定することが多い
SREはSLOに基づいて運用の優先度を決め、100%の可用性ではなく「ビジネスに必要な信頼性レベル」を合理的に設定します。
エラーバジェット管理
SLOで定義した「許容できる障害量（エラーバジェット）」を使い切っていない間は、新機能のデプロイやリスクある変更を許可します。エラーバジェットが枯渇した場合はリリースを凍結し、信頼性向上に集中します。これにより開発速度と安定性のバランスを合理的にコントロールします。
トイル（Toil）の削減
SREでは手動で繰り返す作業（トイル）を全体業務の50%以下に抑えることを原則とします。残り50%以上はエンジニアリング・自動化に充て、継続的な改善を実現します。
インシデント管理と事後分析（ポストモーテム）
障害発生時は迅速な対応と事後分析（ポストモーテム）を実施します。SREのポストモーテムは「犯人探し」ではなく、システム・プロセスの改善につながる学習の機会として位置づけます（非難なき文化：Blameless Culture）。
SREとDevOpsの違い
SREとDevOpsは似た概念として混同されることがありますが、以下の違いがあります。
| 観点 | SRE | DevOps |
|---|---|---|
| 定義 | 具体的な実装手法・役割 | 文化・哲学・ムーブメント |
| 起源 | Google（2003年〜） | 開発・運用の文化融合（2009年〜） |
| 信頼性指標 | SLI/SLO/SLAで定量管理 | 明示的な指標体系は規定しない |
| 運用工数上限 | 50%以下（トイル制限） | 特に規定なし |
「SREはDevOpsを実装する一つの具体的な方法」と表現されることがあります。
SREエンジニアに求められるスキル
- Linux・インフラの深い理解
- プログラミング能力（Python・Go・Bashなど）
- 監視・可観測性ツール（Prometheus・Datadog・Grafanaなど）の活用
- CI/CD・コンテナ（Docker・Kubernetes）の知識
- インシデント対応の実践経験
- コミュニケーション・ドキュメンテーション能力
SREとAI活用の最新動向
近年、生成AI（LLM）とSREの組み合わせが注目されています。主な活用シーンは以下の通りです。
- AIによるインシデント自動分析：過去の障害履歴・ログをLLMに学習させ、障害の原因特定を自動化
- AIOps：AIが運用データを分析し、異常の予兆検知や対処の自動化を実現
- ポストモーテム自動生成：インシデントのタイムラインとログからAIがポストモーテムのドラフトを生成
- SLO設定の最適化支援：過去の障害パターンからAIが適切なSLO値を提案
よくある質問（FAQ）
Q. SREとは何ですか？
SRE（Site Reliability Engineering）とは、Googleが提唱したソフトウェアエンジニアリングの手法をシステム運用に適用し、信頼性の高いシステムを効率的に運用するための考え方・手法・組織体制です。
Q. SLI・SLO・SLAの違いは何ですか？
SLIは可用性・レイテンシなどの実測指標、SLOはSLIに対して設定する目標値（例：月間可用性99.9%）、SLAは顧客との合意・契約上の約束です。SLAはSLOより若干低めに設定することが一般的です。
Q. エラーバジェットとは何ですか？
エラーバジェットとはSLOで定義した「許容できる障害量」のことです。エラーバジェットが残っている間は新機能リリースを許可し、枯渇したらリリースを凍結して信頼性向上に集中します。開発速度と安定性のバランスを合理的に管理できます。
Q. SREとDevOpsの違いは何ですか？
DevOpsが開発・運用の文化的融合を目指す哲学・ムーブメントであるのに対し、SREはその哲学を具体的に実装するための手法・役割です。SREはSLI/SLO/SLAによる定量的な信頼性管理とトイル制限（50%以下）が特徴です。
Q. SREエンジニアに必要なスキルは？
Linux・インフラの深い理解、プログラミング能力（Python・Go等）、監視ツール（Prometheus・Datadogなど）の活用、Kubernetes等コンテナ技術、インシデント対応の実践経験などが求められます。
Q. AIはSREにどう活用されますか？
AIはインシデント自動分析・AIOps（異常予兆検知）・ポストモーテム自動生成・SLO最適化提案などに活用されています。LLMと運用データを組み合わせることで、障害対応のスピードと精度が大幅に向上します。