可用性

可用性は、システムが継続して利用可能で、アクセス増加や障害にも耐えられる状態を維持する能力です。ユーザにとって「いつでも快適に使える」ことは当たり前の期待であり、その期待を裏切ることはサービスの信頼喪失に直結します。

1. サービス指標の策定

1.1 概要

可用性100%というのは現実的に達成が困難であるため、事業要件に応じた指標を策定し、それに見合う設計を行います。

1.2 理由・背景

可用性100%を目指すと、コストや構成の複雑性が指数関数的に増大します。一方で指標が定まっていないと、「どのくらい止まったらNG」「どのくらい遅いとNG」の判断軸が組織内で揃わず、対策の優先順位もブレます。事業要件と利用者の期待に基づいて目標指標を策定し、それを達成できる範囲で必要十分な設計を行うことが重要です。

1.3 実施基準

推奨。サービスを設計する際に最初に整理しておくべき観点として、可能な限り実施を推奨します。

1.4 施策例1: SLAの設定

SLA(Service Level Agreement)とは、ユーザに対して約束するサービスの稼働率です(例: 99.9%)。契約上の保証としての性質があり、達成できない場合の返金や補償などが定められることもあります。事業要件と利用者の期待に基づいて設定します。

設定する目標値によって必要な設計は大きく変わります。例えば外部顧客向けのSaaSで99.9%(月あたり約43分のダウンタイム許容)を約束する場合はマルチAZ構成が必須になり、99.99%以上を目指すならマルチリージョン化まで検討することになります。

一方、社内向けの業務ツールで平日日中のみ使えれば問題ないようなサービスであれば、単一構成でシンプルに運用しコストを抑える判断もあり得ます。

1.5 施策例2: SRE指標の設定

SRE(Site Reliability Engineering)実践の中核となるSLO・SLI・エラーバジェットを設定し、サービスレベルの管理と、変更・安定化のトレードオフ判断の基準にします。

  • SLO(Service Level Objective): 内部目標としての稼働率。SLAより厳しめに設定
  • SLI(Service Level Indicator): 実際の稼働率を計測する指標
  • エラーバジェット: SLOで許容されるダウンタイムの総量(例: SLO 99.9%なら月あたり約43分)。この範囲内であれば新機能リリースや変更を積極的に行い、超過した場合は変更を止めて安定化を優先するという運用ルールに活用できます

SLIを定期的に計測してSLOの達成状況を監視し、エラーバジェットを開発と運用のトレードオフ判断に活用します。

1.6 施策例3: 障害復旧指標の設定

障害時の復旧に関する指標として、RTO・RPOを設定します。

  • RTO(Recovery Time Objective): 復旧目標時間。「障害発生からどれくらいの時間でサービスを復旧させるか」
  • RPO(Recovery Point Objective): 復旧時点目標。「どの時点のデータまで復旧できるか」(データ消失をどこまで許容できるか)

これらの指標を定めることで、バックアップ・リストアやDR戦略の選択基準が明確になります。

1.7 施策例4: レスポンス・スループット目標の設定

サービスのUXに直結する性能目標を設定します。

  • レスポンスタイム: ページの表示時間(例: 2秒以内)やAPI応答時間(例: 500ms以内)などの応答時間目標
  • スループット: ピーク時に処理できるリクエスト数(例: 同時1,000ユーザ、1,000 req/s)

CloudWatch MetricsやX-Rayで実際のレスポンスタイムを計測し、目標値を超える箇所をボトルネックとして特定・改善します。

目標値によって最適な設計は大きく変わります。

例えばレスポンスタイム目標を100ms以内と厳しく設定する場合は、LambdaのProvisioned Concurrency(実行環境を事前に温めておくホットスタンバイ相当の機能)でコールドスタートを回避したり、CDNやキャッシュを積極的に活用したりする設計が必要になります。

逆に数秒以内で許容される場合は、Lambdaのオンデマンド実行など、コスト効率を優先した設計も選択できます。

1.8 出典

クリックで展開
フレームワーク 該当箇所 原文
AWS Well-Architected Framework - Reliability Pillar REL11-BP07 Architect your product to meet availability targets and uptime service level agreements (SLAs)
REL13-BP01 Define recovery objectives for downtime and data loss
(要約)可用性目標と SLA を設計フェーズで定義し、依存サービスの SLA・観測性・静的安定性を踏まえたアーキテクチャで目標を達成できるようにする
(要約)各ワークロードの事業影響を分析し、許容ダウンタイム(RTO)と許容データ損失(RPO)を明確に定義する。DR 計画はこの目標に沿って設計する
NIST SP 800-53 Rev. 5 CP-2: Contingency Plan (要約)必須業務の維持、復旧目標・優先順位、役割、情報共有までを定めたコンティンジェンシー計画を策定・配布し、定期レビュー・更新して関係者へ共有する

2. 単一障害点の防止

2.1 概要

サーバ・データセンタ(AZなど)など、停止するとサービス全体が止まってしまう単一障害点を作らない構成にします。

📝 単一障害点(SPOF)とは
SPOF(Single Point of Failure)とは、システム全体の中で、そこ1か所が停止するとサービス全体の停止につながってしまう箇所のことです。例えば、サーバを1台のみで運用していればそのサーバがSPOF、データベースを単一AZでしか配置していなければそのAZがSPOFになります。可用性を高めるには、SPOFを洗い出して冗長化やフェイルオーバなどで解消することが第一歩になります。

2.2 理由・背景

可用性設計の出発点は「どこか1か所が停止してもサービス全体が止まらない」状態を作ることです。サーバ単位・データセンタ単位の単一障害点を放置すると、そこに障害が起きた瞬間にサービス全体が停止するため、1箇所が停止しても他の箇所でシステムを継続できる構成にすることが重要です。

2.3 実施基準

推奨。特別な事情がなければ実施を推奨します。

2.4 構成例1: サーバの複数台運用

サーバ(EC2インスタンスまたはECSタスク)を最低2台以上で運用し、ALB(Application Load Balancer)でリクエストを分散します。1台が障害で停止しても、残りのサーバでサービスを継続できます。データベースの場合は、RDSのリードレプリカやAuroraのWriter/Reader構成を利用することで、読み取り処理を複数インスタンスに分散できます。

関連セクション: ELB概要

2.5 構成例2: マルチAZ構成

複数のアベイラビリティゾーン(AZ)にリソースを分散配置します。RDSはMulti-AZ配置を有効化してプライマリ障害時に自動フェイルオーバーさせ、ALBとECSタスクも複数AZに分散配置することで、AZ単位の障害にも耐えられる構成にします。

関連セクション: 冗長化構成を組み立てよう

2.6 構成例3: 可用性が組み込まれたマネージドサービスの活用

S3・DynamoDB・LambdaなどのAWSマネージドサービスは、リージョン内で自動的に複数AZへ複製・冗長化されています。これらを利用すれば、自前でマルチAZ構成を組まなくてもサービスを利用するだけで高い可用性が確保されるため(例: S3の標準クラスは99.99%の可用性、DynamoDBは複数AZへ自動レプリケーション)、単一障害点を意識せずに設計できます。

2.7 構成例4: ヘルスチェックによる異常インスタンスの切り離し

ALBやコンテナオーケストレータ(ECS / EKS など)のヘルスチェックを設定し、/healthエンドポイントで各インスタンスの正常/異常を判定します。異常と判定されたインスタンスは振り分け対象から自動的に除外されるため、故障の影響がユーザに波及するのを防げます。

2.8 出典

クリックで展開
フレームワーク 該当箇所 原文
AWS Well-Architected Framework - Reliability Pillar REL10-BP01 Deploy the workload to multiple locations (要約)本番ワークロードを複数の AZ に分散配置し、必要ならマルチリージョン化する。単一障害点をなくして高可用性と災害耐性を確保する
NIST SP 800-53 Rev. 5 CP-7: Alternate Processing Site
SC-36: Distributed Processing and Storage
(要約)主サイトが利用不能となった場合に、組織が定めた期間内で業務を移行・再開できる代替処理サイトを確保し、必要な機材・供給を用意して主サイトと同等の管理策を提供する
(要約)組織が定めた処理・ストレージのコンポーネントを、複数の物理拠点または論理ドメインに分散配置する

3. オートスケーリング

3.1 概要

負荷に応じて自動的にリソースを増減させるオートスケーリングの仕組みを導入します。

3.2 理由・背景

サービスの成長に伴いアクセス数は増加します。負荷に追従できる仕組みがなければ、急激なアクセス増加に対応できずサービスがダウンしてしまいます。手動でのスケーリング対応では時間がかかるため、自動化された仕組みを組み込んでおくことが重要です。

3.3 実施基準

推奨。特別な事情がなければ実施を推奨します。

3.4 構成例1: EC2 / ECSのオートスケーリング

EC2 Auto Scaling や Application Auto Scaling(ECS)を設定し、CPU使用率やリクエスト数などのメトリクスに基づいてサーバ・タスク数を自動的に増減させます。ピーク時にはスケールアウトし、閑散時にはスケールインすることで、コストとパフォーマンスを両立させます。

関連セクション: オートスケーリング概要

3.5 構成例2: RDSのオートスケーリング

RDSはライターインスタンスを複数台に増やせないため、ライター側はインスタンスクラスを上げる垂直スケーリングで性能を確保します。読み取り処理はリードレプリカを追加して台数を増やす水平スケーリングで負荷を分散でき、AuroraではApplication Auto Scalingと組み合わせて読み取り負荷に応じたレプリカ数の自動調整も可能です。さらにAurora Serverless v2を採用すると、ライター側も負荷に応じてキャパシティ(ACU: Aurora Capacity Unit)が自動でスケールします。

関連セクション: RDS概要

3.6 構成例3: マネージドサービスの活用

Lambda・DynamoDB(On-Demandモード)・S3などのマネージドサービスは、利用者がスケーリング設定を意識しなくても、AWS側でリクエスト数や負荷に応じて自動的にキャパシティが調整されます。サービス採用そのものがオートスケーリング対応につながります。

3.7 出典

クリックで展開
フレームワーク 該当箇所 原文
AWS Well-Architected Framework - Reliability Pillar REL07-BP01 Use automation when obtaining or scaling resources (要約)インフラを IaC で定義し、CI/CD パイプラインと Auto Scaling を組み合わせてリソースのプロビジョニングとスケーリングを自動化する
NIST SP 800-53 Rev. 5 SC-5(2): Capacity, Bandwidth, and Redundancy
CP-2(2): Capacity Planning
(要約)情報のフラッディング型 DoS 攻撃の影響を限定するため、処理能力・帯域・冗長性を管理する(SC-5 の強化)
(要約)非常時運用の際にも情報処理・通信・環境支援に必要な容量が確保されるよう、キャパシティプランニングを実施する(CP-2 の強化)

4. キャッシュの活用

4.1 概要

同じリクエストが繰り返される場合は、キャッシュを活用します。

4.2 理由・背景

同じリクエストや同じデータへの問い合わせが繰り返される場合、毎回サーバやデータベースで処理するのは非効率です。キャッシュを導入することで、サーバやデータベースへのアクセス自体を減らし、負荷の軽減とレスポンスの高速化を同時に実現できます。

4.3 実施基準

推奨。特別な事情がなければ実施を推奨します。

4.4 構成例1: CloudFront(CDN)による静的コンテンツのキャッシュ

画像、CSS、JavaScriptなどの静的ファイルをCloudFrontのエッジロケーションにキャッシュします。ユーザに近いエッジロケーションからコンテンツを配信することで、レスポンス時間を大幅に短縮できます。

関連セクション: CloudFront概要

4.5 構成例2: ElastiCache(Redis)によるクエリ結果のキャッシュ

頻繁にアクセスされるデータベースのクエリ結果や、セッション情報をElastiCache(Redis)にキャッシュします。データベースへの問い合わせ回数を削減し、応答速度をミリ秒単位に短縮できます。

4.6 出典

クリックで展開
フレームワーク 該当箇所 原文
AWS Well-Architected Framework - Performance Efficiency Pillar PERF03-BP05 Implement data access patterns that utilize caching (要約)頻繁にアクセスされるデータをクライアント側またはリモートキャッシュ(ElastiCache、API Gateway キャッシュ等)に格納し、レイテンシとバックエンド負荷を削減する
NIST SP 800-53 Rev. 5 SC-5(2): Capacity, Bandwidth, and Redundancy (要約)情報のフラッディング型 DoS 攻撃の影響を限定するため、処理能力・帯域・冗長性を管理する(SC-5 の強化)。CDN によるオリジン保護の側面が該当

5. 疎結合なシステム構成

5.1 概要

サービス間の連携を疎結合にすることで、障害発生時の影響が全体に波及するのを防ぎます。

5.2 理由・背景

コンポーネント同士が密結合だと、片方の障害や負荷が連鎖して全体に影響します(カスケード障害)。状態や処理の依存を切り離して疎結合に設計しておくことで、依存先に障害が発生しても可能な機能だけでもシステムを動作させられるようになり、システム全体の可用性を高められます。

5.3 実施基準

必須。可用性を支える基盤設計のため、必ず実施します。

5.4 構成例1: ステートレスなアプリケーション設計

サーバ側にセッション情報やユーザの状態を保持せず、リクエストごとに必要な情報を受け取って処理する設計にします。セッション情報はElastiCache(Redis)やDynamoDBなどの外部ストアに切り出すことで、どのサーバにリクエストが振り分けられても同じ情報にアクセスでき、Auto Scalingやロードバランサが本来の効果を発揮できます。

5.5 構成例2: 非同期処理によるサービス間の切り離し

時間のかかる処理(画像変換、PDFの生成、メール送信など)をSQSキューに投入し、バックグラウンドのワーカーが非同期で処理します。ユーザへのレスポンスは即座に返し、処理完了後に改めて通知する仕組みにすることで、リクエスト元と処理の実行を切り離せます。

5.6 構成例3: イベント駆動アーキテクチャ

EventBridgeなどを利用して、システム内で発生するイベント(注文完了、ユーザ登録など)をトリガーに後続処理を非同期実行します。サービス間が直接呼び出し合う必要がなくなり、片方の変更や障害がもう片方に直接波及しない疎結合なアーキテクチャを実現できます。

5.7 構成例4: タイムアウトとリトライ

外部APIや他サービスへの呼び出しには、適切なタイムアウトとリトライを設定します。応答が返ってこないまま長時間待ち続けると呼び出し元のリソースを消費し続けるため、タイムアウトで処理を打ち切ります。

また、一時的なネットワークエラーなどに対してはエクスポネンシャルバックオフでリトライすることで、依存先の一時的な障害が呼び出し元へ波及するのを防げます。

5.8 出典

クリックで展開
フレームワーク 該当箇所 原文
AWS Well-Architected Framework - Reliability Pillar REL04-BP02 Implement loosely coupled dependencies
REL05-BP06 Make systems stateless where possible
(要約)SQS / EventBridge / Step Functions などの中間層を挟んで依存コンポーネント間を疎結合化し、可能なら非同期通信にすることで障害伝播とスケール制約を抑える
(要約)セッション情報を外部ストア(ElastiCache / DynamoDB / S3 等)にオフロードしてアプリケーションをステートレス化し、水平スケーリングとインスタンス置換を容易にする

6. バックアップとリストア

6.1 概要

データ消失に備えて、バックアップを取得し、それを復旧するリストア戦略を整備します。

6.2 理由・背景

データ消失は事業継続に関わる致命的な問題です。さらにバックアップを取得するだけでなく、リストア手順が確立されていなければ「バックアップは取っていたが、復元方法がわからない」という事態に陥ります。さらに、リージョン全体に影響する大規模障害(自然災害・大規模停電・AWS側の広域障害など)に対しても、復旧戦略を事前に設計しておく必要があります。

6.3 実施基準

状況に応じて検討。データやサービスの重要度、再生成の可否に応じて判断します。失うことが許されないデータを扱う場合や事業継続に直結するサービスでは、必ず実施します。

6.4 構成例1: 定期的なバックアップ取得

RDSの自動バックアップ機能やAWS Backupなどを利用して、日次でスナップショットを取得します。RDSの保持期間は最大35日まで指定でき(Backup retention period(Amazon RDS公式ドキュメント)に「between 0 and 35 days」と明記)、古いバックアップは自動的に削除されます。AWS Backupを利用すれば、RDS・EBS・S3など複数サービスのバックアップを一元管理できます。

関連セクション: RDS概要

6.5 構成例2: リストア方法の策定と定期的なリハーサル

バックアップからの復旧手順を文書化し、四半期に1回など定期的にリハーサル(リストア訓練)を実施します。「バックアップは取っていたが、復元方法がわからない」「手順書が古くて動かない」という事態を防ぐため、復旧にかかる時間(RTO)と復旧可能なデータの時点(RPO)が要件を満たすかを定期的に検証します。

6.6 構成例3: マルチリージョンへのデータ配置

リージョン全体に影響する障害(自然災害・大規模停電・AWS側の広域障害など)に備え、別リージョンにデータを継続的に複製しておきます。S3・Aurora・DynamoDBなどの主要なストレージ・データベースサービスにはリージョン間でデータを複製する仕組みが用意されているため、これらを活用することでリージョン障害時にも別リージョンから業務を継続できる構成にできます。

6.7 出典

クリックで展開
フレームワーク 該当箇所 原文
AWS Well-Architected Framework - Reliability Pillar REL09-BP01 Identify and back up all data that needs to be backed up, or reproduce the data from sources
REL09-BP04 Perform periodic recovery of the data to verify backup integrity and processes
(要約)ワークロードで扱う全データソースを重要度で分類し、RPO に沿ってバックアップを取得する(または他ソースから再現可能とする)
(要約)バックアップからの復元を定期的にテストし、復旧データが破損なく利用可能で、かつ RTO / RPO を満たすことを検証する運用を推奨。可能なら自動化する
NIST SP 800-53 Rev. 5 CP-9: System Backup
CP-10: System Recovery and Reconstitution
CP-6: Alternate Storage Site
(要約)利用者データ、システムデータ、システム文書について組織が定めた頻度でバックアップを取得し、その機密性・完全性・可用性を保護する
(要約)障害・侵害・機能停止の後、復旧時間・復旧時点目標に整合した組織定義の期間内に、システムを既知の状態に復旧・再構築できるようにする
(要約)バックアップ情報の保管・取り出しを可能とする代替保管サイトを必要な契約を含めて確保し、主サイトと同等の管理策を提供する
CIS Controls v8 Control 11: Data Recovery (要約)バックアップ体制と復旧手順を整備し、対象の企業資産をインシデント発生前の信頼できる状態に復旧できる能力を確立・維持する

7. DDoS対策

7.1 概要

大量のリクエストを集中させてサービスを停止に追い込むDDoS攻撃への対策を行います。

7.2 理由・背景

DDoS攻撃を受けると正常なリクエストが処理できなくなり、サービス停止につながります。攻撃を受けてからでは対処が難しいため、基本対策は事前に導入しておく必要があります。

7.3 実施基準

推奨。特別な事情がなければ実施を推奨します。

7.4 構成例1: AWS Shieldによる基本的なDDoS対策

AWS Shieldは、DDoS攻撃からAWSリソースを保護するマネージドサービスです。Standardは追加コストなしでL3/L4のDDoS攻撃を自動緩和し、すべてのAWSアカウントでデフォルト有効です。Advancedは有償サブスクリプションで、より大規模・高度な攻撃への対応や、専門家による支援、攻撃時のコスト保護など、Standardより手厚い保護を受けられます。詳細はHow AWS Shield and Shield Advanced work(AWS公式ドキュメント)に記載があります。

7.5 構成例2: アクセス制限

利用者やアクセス元が限定される場合は、接続元を制限することで攻撃そのものを減らせます。社内システムであれば社内IPアドレスやCIDR範囲に絞る、サービス間の通信であれば特定のVPC内に閉じる(VPCエンドポイントの利用やSecurity Groupでの制限)といった対策が有効です。攻撃者がそもそも到達できない構成にすることで、DDoSのリスクを大きく下げられます。

7.6 構成例3: レートリミット

AWS WAFのレートベースルールやAPI Gatewayのスロットリングなどを使って、一定時間内に同一IPから受け付けるリクエスト数の上限を設定します。正当な利用者のリクエストは通しつつ、短時間で大量の通信を仕掛けてくる攻撃トラフィックを自動的にブロックできます。

7.7 構成例4: ブラックリストの導入

問題があると報告されているIPアドレスやボットからのアクセスを、ブラックリストとして遮断します。AWSではWAFのマネージドルール(評判の悪いIPアドレスのリストやボット検知機能)などを活用することで、利用者がIPを個別管理する手間を省きつつ、既知の脅威からのアクセスを自動的にブロックできます。

7.8 出典

クリックで展開
フレームワーク 該当箇所 原文
AWS Well-Architected Framework - Security Pillar SEC05-BP03 Implement inspection-based protection (要約)AWS Network Firewall・AWS WAF・Gateway Load Balancer 経由のサードパーティ IPS などで、ネットワーク層をまたぐトラフィックをステートフルに検査し、脅威インテリジェンスに基づいて動的にブロック・許可する
AWS Well-Architected Framework - Reliability Pillar REL05-BP02 Throttle requests (要約)API Gateway や AWS WAF のレート制限でリクエストをスロットルし、想定超過分は 429 で拒否する。想定外のトラフィック急増・再試行嵐からリソースを保護する
NIST SP 800-53 Rev. 5 SC-5: Denial-of-service Protection
SC-5(2): Capacity, Bandwidth, and Redundancy
(要約)組織が定義した種類の DoS イベントについて、その影響から保護または効果を限定し、目的達成のために定めた管理策を採用する
(要約)情報のフラッディング型 DoS 攻撃の影響を限定するため、処理能力・帯域・冗長性を管理する(SC-5 の強化)

8. 性能テスト

8.1 概要

システムに負荷がかかっても正常に動作・停止することを確認する**負荷試験(パフォーマンステスト)**を行います。

8.2 理由・背景

事前に性能のボトルネックを特定し対策を講じることで、リリース後のレスポンス劣化や障害を防げます。特に大規模なプロモーションやサービスの成長期など、負荷が一時的に跳ね上がる場面で効果を発揮します。

また、高負荷時に処理が正常に動作するだけでなく、スケールインやデプロイのタイミングで処理を正常に終了できることも重要で、途中で強制終了されるとデータ不整合や処理漏れにつながります。

8.3 実施基準

状況に応じて検討。常時必須ではないものの、システムが大規模になってきたタイミングなど、負荷が予測される場面で実施を検討します。

8.4 施策例1: 負荷試験の実施

想定されるピークトラフィック(例: 同時1,000ユーザ)を再現し、レスポンスタイムの劣化やエラー率が上昇するポイントを特定して、ボトルネックを事前に解消します。

ツールとしてはk6やJMeterなどがあり、シナリオを書いてサーバに疑似的な負荷をかけることで、実際にユーザからアクセスされる前に性能特性を把握できます。

8.5 出典

クリックで展開
フレームワーク 該当箇所 原文
AWS Well-Architected Framework - Reliability Pillar REL07-BP04 Load test your workload (要約)本番相当の環境で持続的な負荷テストを行い、スケール判断に必要な指標と破綻点を事前に特定する。ゲームデイ含め本番でも実施する
AWS Well-Architected Framework - Performance Efficiency Pillar PERF05-BP04 Load test your workload (要約)本番同等の環境で想定負荷を超える範囲まで負荷テストを実施し、ボトルネックを事前に特定する。パイプラインへの自動組み込みも推奨
NIST SP 800-53 Rev. 5 CP-2(2): Capacity Planning (要約)非常時運用の際にも情報処理・通信・環境支援に必要な容量が確保されるよう、キャパシティプランニングを実施する(CP-2 の強化)