Azure DevOps：イベントとアラートでオブザーバビリティを強化

大規模な分散環境でマイクロサービスを使用している組織では、監視を徹底しながらログにも目を光らせていることでしょう。また、APMを適切に設定した分散トレーシング環境でコンシューマーコールをトレースしている組織も少なくないはずです。しかし、オブザーバビリティの観点からはこれでもまだ不十分である可能性があります。

調査に何時間もかけた末に、結局いずれかのチームがデプロイをロールバックすることになった、というようなインシデントを何度経験したことがあるでしょうか。こういったケースは思っている以上に多いものです。 

過去のブログ記事「CI/CDツールとDevOpsの関係とは？Jenkinsの導入まで解説します」でも触れたように、イベントとアラートの潜在能力を最大限に活用できていなければ、ソフトウェアのライフサイクルとCI/CDプロセスの重要な要素を見逃している可能性があります。イベントベースのCI/CDデータを有効活用できれば、MTTD/MTTRを数時間から数分に短縮できるかもしれません。

Splunkの新たなAzure DevOpsインテグレーションを使用してSplunk Observabilityへのイベント送信とアラートベースのリリース制御を行うことにより、CI/CDのコンテキスト情報を監視プラクティスに取り入れることができます。

インシデント対応およびデプロイイベントとアラートの活用

ここで、以下の問いについて考えてみてください。

• 自分のソフトウェアがいつデプロイされたか把握しているか？
• いつデプロイされたかを調査するために何回クリックが必要か？
  
• 自分のソフトウェアが依存している上流サービスがいつデプロイされるかを把握できているか？
  
• 特定のサービスのデプロイによって自分のソフトウェアが影響を受けている場合、どのようにしてそれを把握すればよいのか？
  
  

Splunk Observabilityはイベントの可視化に優れています。イベントマーカーやラインを使ってダッシュボード上に重ねて見やすく表示できるうえ、これらの機能は基本的に無料で提供されています。デプロイの開始、成功、失敗など、豊富なコンテキスト情報をイベントマーカーを使ってダッシュボードに表示することができるほか、自身の管理するサービスだけでなく依存している上流サービスも表示できます。

^{図1-1. Azure DevOpsのCI/CDイベントをダッシュボードのグラフに重ねて表示することで簡単に確認できます}

テクノロジー企業全体がCI/CDイベントから得られるメリット

適切な監視(およびそれにともなうインシデント管理)を行う際に重要なのは、コンテキストとコミュニケーションです。チームが提供するサービスや別のサービスのパフォーマンスに、デプロイが影響を与えているかどうかを迅速に確認できるようにすれば、ソフトウェアチームはMTTD (平均検出時間)とMTTR (平均修復時間)を短縮できます。

1. IT運用/サポートアナリスト：IT運用チームのメンバーやリーダーは、重要なサービスに関する最新のビルド情報を取得して、最近のデプロイがサービス障害の直接的または間接的な原因になっているかどうかをソフトウェアチームに迅速に伝えることができます。
   
   
2. DevOps/SRE：DevOpsまたはSREチームのメンバーやリーダーは、サービスの健全性を維持し、問題がある場合は迅速に原因を追跡する責任があります。アプリケーションやインフラのデプロイによって起きる問題を可視化して関係者に報告できれば、ソフトウェアの開発やデプロイプロセスを改善できます。
   
   
3. ソフトウェア開発：ソフトウェア開発チームのメンバーやリーダーは、自身が開発したソフトウェアや上流サービスのデプロイによって問題が起きているかどうかを、顧客に影響が及ぶ前に把握できます。UIが異なる複数のツールを頻繁に切り替える必要もありません。
    

重要なのは、ツールの切り替えを減らし、単一のUIで利用できるコンテキスト情報を増やすことです。一方、Azure DevOpsインテグレーションには他にもメリットが複数あります。 

Microsoft Marketplaceから入手できるSplunk Observability Cloud Eventsインテグレーションをぜひお試しください。

リリース制御にアラートを活用

前述のように、ソフトウェアのデプロイに関連するアラートやイベントを作成することには大きな意味があります。自身が管理するサービスや上流のサービスがいつデプロイされたかという情報は、開発、SRE、CI/CD、DevOpsの各チームにとって極めて重要なシグナルです。次にとるべきステップは、Splunk Observabilityのアラートに基づいてリリースをプロアクティブに制御することです。

たとえば、下の図1-2には3段階のステップが示されています。まず、パイプラインの開始時にSplunk Observabilityにイベントを送信し、イベントを監視対象としてマークします。次に、サービスのアラートが生成されていないことを確認した後、上流サービスのアラートが生成されていないことを確認してから、最終的にリリースプロセスの残り部分を実行します。

^{図1-2. Splunk Observabilityのアラートに基づくデプロイ制御の設定}

通常は、自身のチームが管理するサービスのアラートに基づいてリリースを制御することから開始します。ただし、そのサービスが関与するインシデントが発生した際には、これが対応作業の妨げになることもあります。一刻を争うインシデント対応においては、修正プログラムのデプロイが妨げられるようなことがあってはなりません。このような場合、インターフェイスからクリックひとつで簡単にAzure DevOpsのパイプライン制御機能を無効にすることができます。

また、多くの場合にさらに便利なのが、自身が管理するサービスに影響を与える上流サービスの健全性に基づいてデプロイやリリースを制御する機能です。以下に、より効果的なリリース制御を行うための例をご紹介します。

• 企業内のエッジルーターに問題が発生した場合、特定のデプロイの健全性を判断することは困難です。これらの問題と関連アラートが解決してコンシューマーの応答が正常化するまで、デプロイを見合わせることを検討しましょう。
  
  
• 自身のサービスが他のチームのサービスに依存している場合、正確で迅速な対応を行うためにはそのチームのサービスの健全性に基づいてリリース制御を行う必要があります。既にインシデントの対応が始まっているところに、さらなる変更を環境内にデプロイして、事態を悪化させないようにします。
  
  
• フルマネージド型であるかどうかに関わらず、クラウド内の依存サービス(DynamoDBやBigQueryなど)でも障害が発生する可能性があります。こういった状況も考慮に入れて制御すれば、自身がコントロールできない事態によってデプロイの健全性確保が困難な場合に、変更のデプロイを止めることができます。
  
  
• Splunk APM、Splunk Synthetics、またはSplunk RUM (Real User Monitoring)のメトリクスに基づくアラートを活用すれば、具体的なWebプロパティやユーザーエクスペリエンスに焦点を絞ってリリースを制御できます。より先進的な組織であれば、このような機能を最終チェックとして利用し、顧客が自社のソフトウェアをどのように利用しているかに直接関連する情報を得ることができるでしょう。
  

リリース制御は、ソフトウェア環境全般の整合性を確保するための重要なツールです。インシデントの発生中に変更が追加されるのを防止できれば、サービスの可用性に関するKPIが低下するのを防ぐことができます。トラブル発生時に不適切なデプロイを行わないようにプロアクティブな対応を行えば、インシデント管理担当者を不機嫌にさせることもありません。

Microsoft Marketplaceから入手できるSplunk Observability Alert Gatesインテグレーションをぜひお試しください。

将来を見据えた活用方法

既に述べたとおり、Splunk Observabilityのイベントとアラートは、取り込み、保存、利用のいずれに関してもコストは発生しません。こういった「無償サービス」は多くの企業で活用されないままになっているのが現状ですが、これがソフトウェアチーム、インシデント管理、CI/CDプロセスにもたらす価値は計り知れません。

デプロイ、リリース、インフラ変更を示すイベントは、監視にとって極めて重要なコンテキスト情報を提供します。

アラートは、サービスの健全性に関する警告を発したり、オンコール対応要員への通知を行ったりするために使用されるのが一般的ですが、アラートが把握するソフトウェア環境のコンテキスト情報をデプロイパイプラインへと応用することも可能です。 

また、アラートとイベントの利用は内部の情報に限定されるものではありません。Splunkの他のオブザーバビリティ製品によるアラートとイベントのレポートを利用すれば、たとえば以下のような埋もれていたコンテキスト情報をさらに活用できるようになります。 

• 外形監視（Synthetics monitoring）：US-West-2の障害がアマゾン ウェブ サービス(AWS)のステータスページに表示されているか？それが発生したのはいつか？
• リアルユーザー監視 (RUM)：EU圏内において、モバイル機器の通信速度が低下し、徐々に遅延が増加しているようだ。この障害は、火曜日にCDNの設定を変更した頃に始まったらしい。
• APM：ユーザーがチェックアウトを完了できない問題が、先月のAMIの変更後から断続的に発生し始めている。
   

内部だけでなく外部にも目を向け、SaaS、ベンダー設定、外部プロセスへの何らかの変更が自身のソフトウェアに及ぼす影響を把握できるようにしましょう。  

次のステップ

コンテキスト情報の収集に興味を持っていただけたでしょうか。単一の画面でより多くの監視情報を取得し、組織全体でDevOps (またはDevSecOps) Magic™を最大限に引き出しましょう。Splunkのオブザーバビリティソリューションをぜひお試しください。

Splunk Observability Cloud製品スイートの無料トライアルをぜひお試しください。

このブログ記事はSplunkのオブザーバビリティフィールドソリューションエンジニアであるJeremy Hicksが執筆しました。ご協力いただいた以下の同僚に感謝申し上げます(敬称略)：Doug Erkkila、Adam Schalock、Todd DeCapua、Joel Schoenberg

このブログはこちらの英語ブログの翻訳、加藤 教克によるレビューです。