API監視によるサービス品質向上
監視対象を「見える化」する設計
APIの品質は「どの経路で、どの外部依存が、どの程度の体力で動いているか」を定義できた瞬間に守りやすくなります。最初にやるべきは、ユーザージャーニー（例：検索→カート→決済）と、その裏で呼ばれる内部API・外部APIの依存関係マップ化です。次にSLI/SLOを数値で置きます。可用性だけでなく、p95レイテンシ、5xx率、429（レート制限）率、タイムアウト率、契約スキーマ逸脱率など、ビジネスに直結する指標を混ぜます。
実運用で効くSLI例
- /v1/recommendations p95レイテンシ < 400ms、5xx比率 < 0.2%
- 外部AI API（例：ChatGPT/Claude/Gemini）呼び出しの429比率 < 1%、タイムアウト率 < 0.5%
- Checkout合成シナリオ成功率 > 99.9%（3拠点から1分間隔）
- OpenAPIスキーマ逸脱 0件／日、重大互換性崩し検出時はデプロイ停止
データ収集の現実策
- 構造化ログにtrace_id・user_id（ハッシュ化）・tenant・上流/下流のlatencyを付与
- OpenTelemetryで分散トレースを有効化、API境界でspan属性にhttp.status_codeとretry回数を記録
- メトリクスはレイテンシをヒストグラムで、エラーは原因別ラベル（5xx/4xx/429/timeout）で分離
アラートは「運用できる」粒度で
鳴るだけの監視はコストです。アラートは「誰が・何分以内に・何をするか」が即決できる粒度に落とします。推奨は多窓監視：短窓と長窓でSLO消費（エラーバジェットバーン）を見るやり方です。例えば、1時間窓でバーン率>10%かつ14日窓でも逸脱傾向がある場合のみ通知します。瞬間的なスパイクは抑制しつつ、重大な劣化は逃さない設計です。
閾値は下流の性能に合わせて「運べる最大負荷」を前提に決めます。タイムアウトは上流p95の2〜3倍に固定し、リトライは指数バックオフ＋ジッター（例：100ms, 200ms, 400ms上限）で3回まで。連続失敗率がしきい値（例：20回/30秒）を超えたらサーキットブレーカーでフォールバックに切替え、アラートは「フォールバック発動＋エラー予算消費率」をトリガにします。通知先はオンコールに集約し、Runbookには「切替手順・想定原因・ダッシュボードURL・ロールバック条件」を1画面でまとめます。
障害を減らす監視の仕掛け
起きたら気づく監視から、起きにくくする監視へ。効果が高いのは外形の「合成監視」と、内側の「契約テスト」の二段構えです。合成監視は決済・サインイン・検索など収益に直結する3〜5シナリオに絞り、認証やサードパーティ依存を本番同等で流します。契約テストはCIでOpenAPI差分を検出し、後方互換性NGなら自動で本番リリースをブロックします。
外部APIにはレート制限対策が必須です。キューで平滑化し、キャッシュ（TTL 5〜15分）とアイデンポテンシーキーで重複を吸収。リトライは429のみ対象、5xxは限定回数、4xxは即時失敗に分けます。重要でない機能はFeature Flagで「デグレード提供」（例：AI要約が落ちたら定型文に切替）できるようにします。さらにカナリアリリースに合成監視を紐づけ、悪化時は自動で前バージョンへ戻すと、障害は小さく止まります。
身近な企業活用例：中堅ECが外部AI連携の不安定さを克服
商品説明の自動生成とチャット接客でChatGPT/Claude/GeminiのAPIを併用していました。セール初日にAI要約をカート表示で同期呼び出ししていたため、外部側の429が連鎖しCheckoutのp95が3秒超、SLO違反と離脱増を招きました。ダッシュボードはCPUと5xxしかなく、原因切り分けに2時間かかったのが痛点です。
対策は次のとおりです。AI呼び出しを非同期キュー化し、結果はキャッシュ。カート画面はフォールバックの定型文に切替可能に。外部APIごとに429率・タイムアウト率を可視化し、合成監視で「ログイン→カート→決済」を1分間隔・3リージョンから実行。OpenTelemetryでtrace_idを前段Nginxから渡し、遅延のホットスポットを特定。サーキットブレーカーの発動をアラート条件に加え、エラーバジェットの1時間/14日バーン監視を設定。開発はCopilotを活用しRunbook整備とテストの自動化を短期間で完了しました。
結果、次の大型セールでは合成監視成功率99.95%、Checkoutのp95は1.3秒へ改善、AI機能の一時停止時も売上影響は限定的でした。経営会議では「AI関連の品質は監視で担保できる」ことが共有され、SLOをKPIに正式採用。API監視は新機能のスピードと信頼性の両立に効く、という現場感のある学びでした。こうした設計・運用・可観測性の積み上げは、結局のところサーバ監視運用事業の土台そのもので、日々のオンコールや改善サイクルの中で息づいていきます。
