メインコンテンツまでスキップ

第29章：三点セットの連携：原因→影響→復旧判断の流れ 🔁🧭

① 今日のゴール 🎯✨​

  • 障害が起きた時に、迷わず “この順番” で見れるようになる ログ＝原因 🧾 → メトリクス＝影響 📈 → ヘルス＝復旧判断 💚
  • そして、3分 / 10分 / 30分で動ける テンプレ手順書（Runbook） を完成させる 📝🔥

② まず頭に入れる「観測の必勝ワード」🧠⚡​

観測性って、最近は「集める」より “つなげる” が大事になってます。 ログ・メトリクス・（トレース）を 同じ文脈（ID）で相関 させると、原因特定が爆速になります 🧵🚀 OpenTelemetry でも “コンテキスト伝播でシグナルを相関できる” って明言されています。(OpenTelemetry) また、「別々に集めるだけじゃ足りない、共有コンテキストで結びつけて初めて意味が出る」系の話が、2026年の主流です。(Dash0)

この章では、すでに作ってきた reqId（相関ID） を主役にします 🪪✨ （将来トレースを入れても、同じ考え方で traceId に置き換わるだけ👍）

③ この章で作る成果物 🧰📦​

  • docs/runbooks/incident-triage.md（3分/10分/30分の手順書）
  • scripts/triage.ps1（状況収集のワンコマンド化）※任意だけど超おすすめ🪄
  • Grafana 側の “見る順番” が固定されたダッシュボード運用（手順書にリンク🔗）

1) “原因→影響→復旧判断” の見取り図 🗺️👀​

ログ 🧾＝「どこで何が起きた？」​

  • 例：status=500 がどのルートで起きた？
  • 例：同じ reqId の中で、どこで時間が溶けた？🐢

メトリクス 📈＝「どれくらい影響が出た？」​

  • 例：p95 が悪化したのは “全体” か “/slow だけ” か？
  • 例：5xx率が上がってるのは今も継続？それとも瞬間風速？

ヘルス 💚＝「復旧したと言っていい？」​

  • 例：/ready は依存（DB/Redis）が戻ったと判断できる？
  • 例：Compose/Docker の health が healthy に戻った？✅

2) 3分 / 10分 / 30分 テンプレ（これが本体）⏱️🔥​

✅ 3分テンプレ：まず “今どうなってる？” を言語化する（一次対応）🧯​

やることは 「現状の一言」＋「切り分け方向」 を作るだけ！

(A) まずヘルスで “生きてる？” を見る 💚

  • Compose の状態確認（Health 列が出る環境なら最高✨）
docker compose ps
  • エンドポイント直叩き（PowerShell）
## ※curl は PowerShell だと別物になりがちなので irm 推奨
irm http://localhost:3000/health
irm http://localhost:3000/ready

(B) 次にログで “今、燃えてる？” を見る 🧾🔥

docker compose logs api --since 10m --tail 200

  • ここで言いたいこと（例）👇

    • 「/ready が落ちてる。DB依存っぽい」🔌
    • 「5xx が増えてる。特定ルートで例外っぽい」💥
    • 「遅い。タイムアウト気味」🐢

3分で作る報告テンプレ（コピペ用）📋

  • 症状：何がどう悪い？（例：5xx増、p95悪化、ready落ち）
  • 範囲：全体？特定ルート？特定時間だけ？
  • 仮説：依存？アプリ？環境？

✅ 10分テンプレ：原因候補を “2〜3個” に絞る（切り分け）🔎🧠​

ここからは ログ（原因） と メトリクス（影響） を往復します 🔁

(A) ログ：reqId で 1リクエストを追跡 🧵

  1. 500 が出た瞬間のログを探す
  2. その行にある reqId を拾う
  3. reqId で検索して、開始〜終了を1本の線で読む

例：ログが JSON なら、こんな形が理想👇

{"level":"error","msg":"handler failed","reqId":"r-8f1c...","path":"/boom","status":500,"ms":12,"err":"..."}

(B) メトリクス：影響を “数字で確定” 📈 Grafana/Prometheus で見る基本4点セット（鉄板）🧱✨

  • RPS（流量）
  • Error Rate（5xx率）
  • p95（遅さ）
  • Resource（CPU/メモリ）

PromQL 例（メトリクス名はあなたの実装に合わせて調整してOK）👇

## RPS
sum(rate(http_requests_total[5m]))

## 5xx率
sum(rate(http_requests_total{status=~"5.."}[5m]))
/
sum(rate(http_requests_total[5m]))

## p95
histogram_quantile(
  0.95,
  sum(rate(http_request_duration_seconds_bucket[5m])) by (le, route)
)

(C) 10分で得る結論（例）

  • 「/slow だけ p95 が死んでる → そのルートの処理 or 依存が怪しい」🐢
  • 「5xx が全体で増えてる → 共通ミドルウェア/依存/環境」💥
  • 「ready が落ちてる → 依存（DB/Redis）復旧が先」🔌

✅ 30分テンプレ：復旧まで持っていく（暫定対応＋再発防止の種）🛠️🌱​

30分は 復旧判断（ヘルス） を明確にして、次に活かす材料も残します。

(A) 復旧判断の “合格条件” を固定 💚✅

  • /ready が 安定して OK（一瞬戻った、は信用しない🙅‍♂️）
  • エラーレートが 通常域に戻る
  • p95 が 通常域に戻る
  • （可能なら）ダッシュボードに “復旧時刻” をメモ（アノテーション）📝

(B) Compose の起動順・依存待ちが絡む場合 Compose は depends_on で起動順を制御できます。(Docker Documentation) さらに condition: service_healthy で “healthy になってから次へ” もできます（環境差はあるので自分の構成で要確認）。(Docker ドキュメント)

(C) 30分でやる “再発防止の種まき” 🌱

  • ログに 判断に必要なキーが足りない → 追加（route/status/ms/reqId/errorCode など）
  • メトリクスが 粒度不足 → route 別の分解、status 別の分解
  • ヘルスが 軽くない / 重すぎる → ready を「軽い疎通」に寄せる

3) ハンズオン：Runbook（手順書）を実際に書く 📝✨​

docs/runbooks/incident-triage.md（テンプレ）​

## Incident Triage（ログ→メトリクス→ヘルス）

## 0. 3分：一次対応
- [ ] docker compose ps（health確認）
- [ ] /health, /ready を叩く
- [ ] logs を10分だけ見る（500/timeout/connection）

## 現状まとめ（コピペ用）
- 症状：
- 範囲：
- 仮説（依存/アプリ/環境）：

## 1. 10分：切り分け
## ログ（原因）
- [ ] 500行を発見
- [ ] reqId を拾う
- [ ] reqId で一連のログを読む
- メモ：怪しい箇所（ファイル/関数/依存）

## メトリクス（影響）
- [ ] RPS
- [ ] 5xx率
- [ ] p95（route別）
- [ ] CPU/メモリ

## 2. 30分：復旧判断
- [ ] /ready が安定OK
- [ ] 5xx率が通常域
- [ ] p95が通常域
- [ ] 復旧時刻をメモ（ダッシュボードにも残す）

## 3. あとでやる（再発防止の種）
- [ ] ログの不足キー
- [ ] メトリクスの不足分解
- [ ] ヘルスの見直し

これがあるだけで、次から脳みそ節約できます 😆🧠✨

4) おまけ：観測スタックの “今どき” 感（2026）🧩🌍​

  • ログ/メトリクス/（トレース）を 同じ文脈IDでつなぐ のが主流(OpenTelemetry)
  • Grafana の “LGTM” みたいに、ログ= Loki / メトリクス= Mimir / トレース= Tempo をまとめて扱う流れも強いです（学習にも相性良い！）(Grafana Labs)

この教材ロードマップは、まさにその入口にピッタリな並びです 👍🔥

5) つまづきポイント（あるある3連発）🪤😵‍💫​

  1. ログはあるのに追えない → キー不足（reqId/path/status/ms/err が揃ってない）🧩
  2. メトリクスが “全体” しか分からない → route/status の分解がない📉
  3. ready が重すぎて逆に落ちる → “軽い疎通” にする（タイムアウト短く）⏱️

6) ミニ課題（15分）⏳🎮​

次の3パターンで、Runbook通りに “結論だけ” 書いてみてください👇

  • ケースA：/boom で 5xx 増 💥
  • ケースB：/slow で p95 悪化 🐢
  • ケースC：依存（DB/Redis）停止で /ready NG 🔌

提出物（自分用メモでOK）📝

  • 症状 / 範囲 / 仮説（各ケース1行ずつ）

7) AIに投げるプロンプト例（コピペOK）🤖📋​

あなたはSREの先輩です。
以下の観測データ（ログ断片/メトリクス変化/ヘルス結果）から、
1) 原因候補を3つに絞って
2) 次に確認すべきログ検索キーとPromQLを提案して
3) 復旧判定のチェック項目を箇条書きで出してください。

制約：
- 3分/10分/30分の順で
- “確度” を 低/中/高 で付ける
- 最後に Runbook へ追記すべき改善点も1つ出す

（ログやメトリクスを貼り付けて使うと、めちゃ効きます💪✨）

✅ この章のチェック（達成判定）🏁🎉​

  • 「3分で現状説明」が言える 🗣️
  • 「10分で原因候補が2〜3個に絞れる」🔎
  • 「30分で復旧判断の合格条件が固定されてる」💚✅
  • Runbook が docs/ に置かれてる 📝📦

次の第30章は、このRunbookを使って “観測性デバッグRPG” を回して、ほんとに体に覚えさせます 🎮🧨🩹