ポストモーテム

業務時間外も含め、担当者が交代で待機し、システムの障害やアラートが発生したときにすぐに対応できるようにしておく体制。待機の当番表、通知の仕組み、対応の手順（ランブック）、エスカレーションの経路を整え、担当者の負担が過大にならないよう当番の頻度や不要なアラートの削減にも配慮する。

SLOで定めた信頼性の目標に対して、許容される障害や品質の低下の量。SLOが稼働率99.9%なら、残りの0.1%がエラーバジェットになる。予算が残っていれば新機能のリリースを進め、使い切りそうなら変更を控えて信頼性の改善を優先する、という判断の基準に使う。

システムの運用や障害対応で、担当者が行う手順を具体的にまとめた手順書。定常の作業の手順、警告を受けたときの確認と対処の手順、エスカレーションの連絡先などを記し、対応の属人化を防いで品質をそろえる。手順をスクリプトにして自動で実行できるようにすることも多い。

システムの外部に出力される情報から、内部の状態をどれだけ推し量れるかの度合い。ログ、メトリクス、トレースを収集して相互に関連付け、あらかじめ想定していなかった障害でも、どこで何が起きているかを調べられるようにする。マイクロサービスのように構成が複雑なシステムの運用で重視される。

発生した不具合や不適合の原因を取り除き、同じ問題が再び起きないようにするための処置。その場で不具合を直す修正とは区別され、根本原因を分析したうえで手順や設計などを見直す。

本番環境やそれに近い環境で意図的に障害を発生させ、システムが耐えられるかを検証して弱点を前もって見つけ、改善する手法。サーバの停止やネットワークの遅延などを計画的に起こし、障害に強いシステムを目指す。