ランブック
繰り返し行う運用作業の手順を確認できる文書
どのようなものか
ランブックは、運用作業を行うための、実地に確かめた手順書です。いつ使うか、始める前に何が必要か、何を行うか、結果をどう確認するかを書きます。作業を担当者が実行する場合も、手順書が自動化の内容や確認方法を説明する場合もあります。証明書の計画的な更新、バックアップを復元する試験、変更前の設定に戻す作業などに使えます。
AWSの運用上の優秀性に関する指針は、繰り返せる作業の手順にランブックを、原因を調べるためのガイドにプレイブックを勧めています。呼び方はチームによって異なります。大事なのは、読み手がどこまで分かっていることを前提にするかです。行うべき作業が決まっていれば、既知の開始状態から特定の結果へ導けます。何の作業が要るのかまだ決められなければ、判断に必要な観察と、結果に応じた次の行動を示す必要があります。
手順書は短くても、対象のシステムと環境、必要な権限、責任を持つ人、開始前の確認、期待する結果を示せます。どんな場合に止めて誰に相談するかも書きます。ツールがエラーを出さずに終了することと、利用者がサービスを使えることは別々の確認事項です。各段階でどちらを確かめるかが分かるようにします。

写真: NikolayFrolochkin / Pixabay 
写真: BRRT / Pixabay
用語の背後にある前提を検証する
解説とリンク先の実績を参考に、プロジェクトについての質問を整理してください。ツールを選ぶ前に、前提を一緒に検討できます。 14部門を支える共通インフラ計画 — 14 共通インフラ計画の対象となった研究部門
なぜ重要なのか
障害が起きたとき、当番の人はアプリに詳しくても、復旧に使うツールには慣れていないかもしれません。手順書があれば、記憶だけでやり方を組み立て直す時間を減らせます。正しい環境を選んだことや、次に進む条件がそろったことを確かめられます。担当が交代するチームや、複数の部署が協力して復旧するサービスでは特に役立ちます。
手順を書く作業は、口頭でしか伝わっていなかった条件を明らかにします。ある人は、バックアップ作業の完了をもってコピーが使えると考えます。別の人が練習すると、次に使うツールには別の権限が必要だったり、成功と表示される報告から、一部の失敗した行が除かれていたりすることに気づきます。手順書はこの違いを伝えられます。自動化できる範囲と、その場で人が判断する範囲も整理できます。
依存するサービスや権限が変わると、手順書は古くなります。対象の設定やコードの近くで文書を管理し、更新する人を明確にしておくと、一緒に見直せます。著者とは別の人が練習すれば、暗黙の前提を発見しやすくなります。普段の認証サービスや監視画面が使えなくなった場合にも、手順を取り出し、結果を確かめられるか、試す機会になります。
実際の活用例
レポート用データベースのバックアップが復元できることを定期的に確かめる手順を考えます。対象のデータベース、隔離された試験環境、コピーの読み取りと試験データベースの作成を許されたアカウントを指定します。コピーの出所と日時を確認し、本番アプリが試験環境に接続していないことを確かめます。担当者はコピーの識別子と開始時刻を記録します。
次に、対応する復元ツールと実行の記録を確認できる場所を伝えます。復元が終わったら、既知のレポートを実行し、いくつかの値を期待値と比べ、最新の記録がいつのものかを見ます。データが欠けている場合、コピーの出所が違う場合、レポートが動作しない場合は、作業を止め、手順書に書かれた人へ連絡します。成功したときは所要時間を残し、試験用のデータと権限は予定どおり片付けます。
別の人が、わざと古すぎるコピーを選んで手順の初めを練習します。復元の前に古さに気づけること、何を記録しどこに伝えるかが分かることを確認します。終わったら、分かりにくかった箇所を責任者が直し、条件を満たした試験の所要時間を残します。顧客のデータを複製せずに、環境、計測の起点、各確認の結果を報告できます。コピーを開けたものの目的の行がなかった場合は、その両方を書きます。
Engineerの実際に復元したバックアップの事例は、復元の試験を行った仕事を記録しています。バックアップの完了だけでは、使える状態まで復元できるか分からないことを示します。ここでのレポート用データベースは、実際に検証できる手順を説明するための例です。
問題が起きるところ
平常時の仕組みが使えると思い込む。 普段の文書や認証サービスが利用できないときも、承認された経路で手順を読める必要があります。前提を確認する方法とともに、障害が起きる前に試します。
押す場所だけを書いて結果を書かない。 画面が変わると古い画像は使いづらくなります。操作が何を変え、どのような結果が現れるかを書きます。資源の名前や日時が想定と違うときは止める、といった条件も役立ちます。
異なる症状に同じ手順を当てる。 似た現象が複数の原因から生じることがあります。まず、手順を適用できる前提を確認します。調査で作業が特定できてから実行します。
書いた本人しか試していない。 別の担当者に安全な環境で試してもらいます。分からなかった名前、足りなかった権限、推測しなければならなかった結果を記録します。手順書だけで判断できたかが分かります。
参考資料
- AWSによるランブックの指針 — 運用手順、責任者、更新。
- AWSによるプレイブックの指針 — 問題の調査と、実行する作業の特定。
- Google SREによる緊急対応の解説 — 事前の練習や対応からの学び。

