インフラ標準化と共通基盤構築
まず決めるべき“標準”の単位を固定する
標準化は「全部同じにする」ことではなく、現場が迷わないガードレールを用意することです。最初に決めるのは、禁止・推奨・任意の3分類と、例外申請の窓口と期限。これだけで勝手仕様が減り、後の共通基盤が生きてきます。レイヤーはインフラ（ネットワーク/コンピュート/ストレージ）、プラットフォーム（OS/ミドルウェア/ランタイム）、運用（監視/ログ/バックアップ/セキュリティ）の3つに分け、各レイヤーで「選べるカタログ」を用意します。
- 対応リージョンと環境（dev/stg/prod）の分離方針
- OS/ミドルウェアのサポートバージョンとEoL運用
- ネットワーク命名・IP割り当て・DNS/TLSポリシー
- タグ命名規則（costcenter, owner, system, data-class）
- IaC必須化（レビュー基準、例外は期間限定）
- 監視メトリクス/ログ/トレースの最小セット
「標準外」をゼロにするより、例外の見える化と有効期限を運用に組み込む方が、速度と安全性の両立につながります。例外はチケット化し、期日・代替策・リスクを明記して棚卸しします。
共通基盤の最小構成と設計判断
共通基盤は豪華である必要はありません。最小構成でよいので、壊れにくい骨格を用意します。推奨は以下の8点です。
- アカウント/プロジェクト分離（prodは単独、横断はshared）
- ID連携と権限ロール（人/機械/CI用を分離、短命トークン）
- ネットワークのセグメンテーション（VPC、共有サービス、明示ルート）
- イメージ/テンプレートのカタログ（ゴールデンAMI/コンテナベース）
- CI/CDの標準パイプライン（スキャン、テスト、承認、デプロイ段階）
- シークレット管理（自動ローテーション、アクセス監査）
- 可観測性の集約（メトリクス/ログ/トレースと相関）
- コストと構成のタグ強制（未タグはデプロイ不可）
判断のコツは「SLOから逆算する」ことです。共通基盤が提供するSLO（例：99.9%）を先に定義し、要件がそれを超えるワークロードは隔離（専用アカウント/単独AZ/独自ルート）します。マルチクラウドは「冗長化」ではなく「調達オプション」と割り切り、まずは単一クラウドで運用の成熟度を上げます。容量は「現在最大×1.5＋予測成長」で四半期レビュー、費用はタグ別に週次レポートを出すだけでも無駄撃ちが減ります。
IaCとバージョニングの実装パターン
モジュールは少数精鋭で、入力を厳格に。バージョンは必ず固定し、breaking changeはメジャーに限定します。週次でドリフト検知を回し、差分はPRに自動起票。Policy as Codeでタグ・公開ポート・暗号化の違反をビルド時に止めます。Copilotでモジュールのユニットテスト雛形を生成し、ChatGPTやClaudeにポリシー文言の抜け漏れチェックを促すと、レビューの見落としが減ります。生成AIは提案まで、本番適用はステージングでの実証を必須にします。
監視運用を“共通”にする具体
監視は「誰が見ても同じ挙動」を目指します。SLIテンプレートを4種（可用性、レイテンシ、エラー率、飽和）用意し、サービスはこれに沿ってSLOを選ぶだけにします。メトリクス名はteam.service.resource.metricの順で統一、単位はSIに揃えます。アラートは多窓・多バーンレート（5分・1時間の両方）で運用し、fatigueを避けます。すべてのアラートにはRunbookとオーナーを紐づけ、期限切れRunbookはデプロイ時に警告させます。
- ダッシュボードは「経営」「SRE」「開発」の3役割でビュー分離
- オンコールは週替わり＋シャドウ体制、引き継ぎテンプレート固定
- インシデントはタイムライン自動収集、24時間以内にレビュー
- ログ保持はホット7日・ウォーム30日・アーカイブ1年を基準
アラートの要約やポストモーテムの初稿はGeminiやChatGPTに作らせ、SREが事実確認と因果の補強を行うと、負担を抑えつつ質を保てます。運用メトリクス（MTTR、アラート/人、SLO違反回数）は四半期のKPIに入れ、改善をプロダクトバックログ化します。
身近な企業活用例：家具ECの失敗と反撃
成長に伴いVMが20台→80台に増えた頃から障害が連発。OSは3系統、タグは人によってバラバラ、監視はチームごとに別ツール。ブラックフライデー直前の深夜、ログ基盤のディスク満杯でAPIが巻き添えダウン。原因特定に3時間、復旧後も再発不安で機能開発が止まりました。
対策として3カ月の標準化/共通基盤プロジェクトを実施。禁則/推奨/任意の3分類を定め、ゴールデンイメージとTerraformモジュールを5つに集約。ネットワークはshared VPC＋prod隔離、CI/CDは脆弱性スキャンとPolicy as Codeを強制。監視はSLIテンプレート化し、主要ダッシュボードを統一。Runbookの初稿はClaude、テスト雛形はCopilotで作成し、SREが検証しました。結果として、リリースリードタイムは2週間→2日、MTTRは90分→25分、月間アラートは1200→300に減少。障害時はChatGPTがログの要約と影響範囲の候補を即時提示し、一次切り分けが10分短縮しました。最終的にBFセールはSLO未達ゼロで完走し、開発は新プロモ機能を予定通り投入できました。
標準化と共通基盤は、サーバ監視運用の品質を底上げする土台です。アラート設計、Runbook、自動化の粒度が揃うほど、オンコールは静かになり、改善が回り始めます。監視運用事業では、このガードレールを維持し続けること自体が価値になり、変化の速い現場でも“壊れにくい日常”を提供できます。
