サービス継続性管理
サービス継続性管理は、深刻な中断の後に、重要なサービスを稼働させ続ける、あるいは合意された時間内に復旧できるよう、組織を準備させます。復旧目標が事業への影響から導かれ、計画がリハーサルされ、バックアップが実際に復元することで証明されているときに機能します。
なぜ重要か
ほとんどのインシデントは小さなものです。ディスクの故障、悪いリリース、期限切れの証明書。少数はそうではありません。データセンターが一日停電する。クラウドのリージョンが故障する。ランサムウェアが主要なシステムを暗号化する。サプライヤーが破綻する。パンデミックでスタッフが職場から離れる。こうした出来事は、サービスだけでなく組織を脅かし、まれにしか起きないため、人々は備えることを忘れます。
備えは、特有の性質を持つ保険の一種です。その価値は、必要になる日にだけ現れ、一度も試されていない計画は、おそらく機能しません。一度も復元されなかったバックアップは、空だったと判明します。リハーサルされなかったフェイルオーバーには、一時間ではなく一日かかります。連絡先リストには、すでに去った人が載っています。練習してきたチームは、危機の中ではなく、練習の中で問題を見つけます。
このトピックは、何を守るかの決め方、復旧目標の設定、計画とリハーサルの方法、AIと自動化の妥当な取り入れ方を説明します。ITIL 4では、このプラクティスはサービス継続性管理です。より広い用法では、事業継続マネジメント、災害復旧、レジリエンスにも出会います。それらは重なり、このトピックはそれらがどう組み合わさるかを説明します。可用性(トピック 3.11 — 可用性、キャパシティ、パフォーマンス)、インシデント管理(トピック 3.2 — インシデント管理)、情報セキュリティ(トピック 3.13 — 情報セキュリティ管理)につながります。
中核となる概念
サービス継続性。 ITIL 4では、災害の発生時にも、サービスの可用性とパフォーマンスが十分な水準で維持されるようにすることです。このプラクティスには、リスクと影響の評価、復旧の計画、リハーサルが含まれます。
事業継続と災害復旧。 Wikipediaが説明する事業継続計画は、組織が中断の間とその後に、重要な機能を稼働させ続ける、あるいは素早く再開する方法を扱います。災害復旧はそのIT部分であり、システム、データ、インフラの復旧です。事業継続は「顧客へのサービスをどう続けるか」を問い、災害復旧は「システムをどう取り戻すか」を問います。Wikipediaが説明するISO 22301は事業継続マネジメントシステムの国際標準で、ISO/IEC 20000との関係は、トピック 1.8 — サービスマネジメントのフレームワークと標準で扱っています。
事業影響度分析(BIA)。 各機能やサービスが一定時間利用できなくなったとき、組織に何が起きるかの調査です。どのサービスが重要で、どれだけ早く復旧しなければならないかを特定します。失った一時間や一日の影響を知っているのは事業側だけなので、分析にはITだけでなく事業が関わります。
目標復旧時間(RTO)。 中断の後にサービスを復旧するまでの、目標とする最大時間です。WikipediaがITの災害復旧の項で説明しています。影響分析から導かれます。一時間の停止が大きなコストになるなら、RTOは短く、解決策は高価になります。
目標復旧時点(RPO)。 許容できるデータ損失の最大量を、時間で測ったものです。15分のRPOは、復旧の後に欠けていてよいデータが15分以内であることを意味します。データをどれだけ頻繁にコピーしなければならないかを決めます。
コストとトレードオフ。 RTOとRPOを短くするほど、冗長性、複製、テストが増え、コストがかかります。各選択肢のコストを決定者に示し、決定を記録します。トピック 4.5 — 財務管理とFinOpsを参照してください。
バックアップと複製。 バックアップは、損失や損傷の後に復元するために保たれるデータのコピーです。複製は、別の場所で継続的に更新される第二のコピーを保ちます。Wikipediaが両方を説明しています。複製はバックアップの代わりになりません。破損やランサムウェアによる暗号化が複製されれば、コピーも損なわれます。本番環境から変更できないバックアップを少なくとも一つ保ち、その復元をテストしてください。
復旧サイトとパターン。 選択肢は、常に稼働しているスタンバイサイトから、数時間で起動できるもの、新しい環境にバックアップから復元するものまで及びます。クラウドサービスは、コードからインフラを再作成するなど、いくつかのパターンを容易にします。トピック 6.3 — コードとしてのインフラとGitOpsを参照してください。Wikipediaがバックアップサイトを説明しています。
依存関係。 重要なサービスは、アイデンティティ、ネットワーク、DNS、サプライヤー、証明書、人など、他のものに依存します。復旧計画は、これらの依存関係をたどり、復元の順序を決めなければなりません。失敗した復旧の多くは、他のシステムを復元するために必要なパスワードを保管しているシステムのような、忘れられた依存関係で止まります。
計画とプレイブック。 誰が、何を、どの順序で行い、誰に連絡するかを書いた、簡潔な指示です。システムが止まっているときにも読めるよう、オフラインのコピーを含め、読める場所に保管しなければなりません。役割には、代理を含めて名前を付けます。
演習。 リハーサルは、シナリオについてのウォークスルー形式の議論から、シミュレーション、実際のフェイルオーバーや復元まで及びます。Wikipediaは、弱点を見つけるために、意図的に、管理された形で障害を持ち込むカオスエンジニアリングを説明しています。小さく安全に始め、時間とともに現実性を高めます。何が起きたかを記録し、学んだことを直します。
危機管理とコミュニケーション。 大きな中断には、リーダーの判断、スタッフ、顧客、規制当局、一般への連絡、部門をまたぐ調整が必要です。Wikipediaの危機管理の記事がこの分野を説明しています。誰がどう話すかを事前に決めてください。トピック 3.2 — インシデント管理を参照してください。
サイバーイベント。 ランサムウェアなどの攻撃は、今や深刻な中断の主要な原因です。Wikipediaは、ランサムウェアをデータを暗号化して支払いを要求するマルウェアと説明しています。そうした攻撃からの復旧には、クリーンなバックアップ、影響を受けたシステムの隔離、信頼できるインフラの再構築、セキュリティとの調整が必要です。報告についてを含め、自分に適用される法律や助言を確認してください。このガイドは法的助言を行いません。
サプライヤー。 自分たちの継続性は、サプライヤーの継続性に依存します。彼らの計画を尋ね、可能なら演習に含めてください。トピック 3.14 — サプライヤー管理を参照してください。
レンズはどう当てはまるか。 継続性は、アジャイルの反復が備えと出会う場所です。演習のたびに計画を改善します。AIは、レビューのもとで、計画やシナリオの下書きを助けられますが、危機の最中に頼ることはできません。自動化は、環境を再構築し、フェイルオーバーを実行します。アナリティクスは、影響分析に情報を提供し、演習の結果を追跡します。
ベストプラクティス
- 事業への影響から始める。 各サービスの停止が、数分、数時間、数日でどれだけのコストになるかを事業側に尋ねます。サービスを順位づけし、それに応じてRTOとRPOを設定します。大きな変化の後に分析を見直します。
- 重要な少数をまず守る。 失われたら組織に深刻な害が及ぶサービスに、労力を集中します。それ以外には、より軽い備えを用意します。
- 依存関係をマッピングする。 重要なサービスごとに、稼働と復旧に必要なものを、アイデンティティ、ネットワーク、DNS、サプライヤーを含めて一覧にします。復旧の順序を計画します。
- 変更できない、テスト済みのバックアップを持つ。 本番環境から変更も削除もできないコピーを少なくとも一つ保ち、動作を証明するために定期的にそこから復元します。
- 短く使える計画を書く。 役割、最初のステップ、連絡先、判断の地点を、数ページに載せます。必要な人々にオフラインのコピーを持たせます。
- 役割と代理を指名する。 危機における各役割に、主担当と少なくとも一人の代替を指名します。人が異動したら一覧を更新します。
- 段階的にリハーサルする。 シナリオの議論から始め、シミュレーションに進み、次に復元とフェイルオーバーの管理された実地テストに進みます。時間と問題を記録します。
- 演習で見つかったものを直す。 発見事項を、オーナーと期日のあるバックログの項目として扱います。次の演習で、完了していることを確認します。
- サプライヤーと顧客を含める。 重要なサプライヤーに継続性の取り決めを尋ね、接続をテストします。縮退したサービスなら何を受け入れられるかを、顧客と合意します。
- コミュニケーションを計画する。 誰が誰に、どのチャネルで、テンプレートとともに知らせるかを準備します。自分たちのシステムが止まっていても機能するチャネルも含めます。
チームで話し合うための問い
一週間利用できなくなったら私たちに最も害が大きい三つのサービスはどれで、それをどうやって知っているか。 ITだけでなく、事業側に尋ねてください。異なる答えが予想され、それは有用な出発点です。さらに掘り下げるために、その三つそれぞれについて短い影響の議論を手配します。
最後にバックアップから復元したのはいつで、どれくらいかかったか。 日付と結果を尋ねてください。「一度も試していない」あるいは「テストのファイルだけ」が予想されます。さらに掘り下げるために、安全な環境で、重要なシステムをひとつ、完全に復元する予定を組みます。
私たちの復旧が依存しているのに、テストしていないものは何か。アイデンティティのシステム、DNS、あるいは人か。 ひとつのサービスについて、連鎖を描いてください。循環した依存関係を探します。さらに掘り下げるために、テストする依存関係をひとつ選びます。
普段のコミュニケーションシステムが止まったら、私たちは互いに、また顧客にどう連絡するか。 多くの計画は、メールとチャットを前提にしています。連絡先一覧と帯域外のチャネルを尋ねてください。さらに掘り下げるために、連絡網をテストします。
ランサムウェア攻撃の最初の一時間に、私たちは何をし、誰が決めるか。 短いシナリオの議論を行います。システムの隔離や、当局への連絡についての意見の不一致が予想されます。さらに掘り下げるために、セキュリティとともに、最初の一時間の一ページのガイドを書きます。
準備や対応でAIが役立つのはどこで、あらかじめ用意した人間の計画に頼らなければならないのはどこか。 AIは、シナリオの下書き、計画のギャップの確認、ログの要約ができます。停止の間は、AIサービス自体が利用できないかもしれません。計画が何を前提にしているかを尋ねてください。さらに掘り下げるために、重要なステップがAIサービスに依存していないことを確認します。
実践:サービスマネジメントの例
ある地域の電力配給会社の、ネットワークの状態をオペレーターに示す制御室のシステムは、故障から2時間以内に復旧しなければなりません。配給会社の災害復旧計画はそう述べています。それは四年前に書かれ、最後には紙の上の演習としてテストされました。
新任のサービス継続性マネージャーは、実地テストを求めます。チームは、前夜のバックアップから制御室のアプリケーションを別の環境に復元し、運用マネージャーが観察することに同意します。復元には、2時間ではなく11時間かかります。三つの問題が現れます。バックアップにはアプリケーションのファイルが含まれているが、別のチームが管理する構成データベースは含まれていない。復元に必要なパスワードが、同じデータセンターの一部であるボールトに保管されている。復旧サイトのネットワーク設定を知る人が長期休暇中で、代理がいない。
チームは三か月かけてこれらを直します。構成データベースをバックアップのスケジュールに加え、封印した封筒とは別のクラウドアカウントの両方でオフラインに保管する、緊急用の認証情報ストアを作り、さらに二人のエンジニアに復旧サイトの訓練を行います。二回目のテストでは、アプリケーションは2時間40分で復元されます。三回目は、意図的に予告なしで開始され、1時間50分かかります。
何が変わったか。目標は実際に達成され、計画は人々が実際に使った文書になりました。何がまだ難しいか。テストは本番データのコピーを使い、現場の機器への接続は含めませんでした。それは送電事業者とでしか試せません。組織は、ひとつのアプリケーションではなく、データセンター全体の喪失をリハーサルしたことがありません。復旧サイトを維持するコストは、毎年疑問視されます。マネージャーは演習のカレンダーを保ち、コストを影響分析に対して示しています。
四つの視点
プロダクトとデリバリーのチーム
復旧を設計の一部にしましょう。コードから再構築し、データと構成をバックアップし、隠れた依存関係を避けます。演習に参加し、見つかったものを直してください。
サービスと運用のチーム
自分の役割と代理を知り、ランブックを最新に保ち、復元とフェイルオーバーをリハーサルしましょう。実際にどれだけ時間がかかるかを記録し、オーナーに伝えてください。
リーダーシップとガバナンス
事業とともに復旧目標を決め、必要なものに資金を出しましょう。判断とコミュニケーションを含め、演習に参加します。計画だけでなく、テストの結果を見せるよう求めてください。
顧客とユーザー
自分が頼っているサービスをどんな継続性の取り決めが守っているかを尋ね、縮退したサービスなら何を受け入れられるかを合意しましょう。重要なニーズには、自分自身の備えを保ってください。
アジャイル、AI、自動化、アナリティクス
アジャイル
継続性を小さな歩みで改善します。ひとつの依存関係、ひとつの復元テスト、ひとつの修正を、ステークホルダーとレビューしながら進めます。注意:すべての継続性の仕事をひとつの大きなプロジェクトに先送りしてはいけません。早く、頻繁にリハーサルしてください。
AI
AIは、シナリオの下書き、計画のギャップの確認、演習の後のログの要約を助けられ、人がレビューします。オーナーを指名してください。注意:AIアシスタントは危機の間は利用できないかもしれず、信頼できない指示を出すこともあります。不可欠な手順は、テスト済みの平易な文書に残してください。トピック 5.1 — サービスマネジメントにおけるAIを参照してください。
自動化
環境の再構築、バックアップの検証、フェイルオーバーを、ログと安全策とともに自動化し、定期的にテストします。注意:自動化は、本番データと一緒にバックアップを削除するなど、損害を素早く広げることがあります。バックアップシステムは、別の認証情報と統制で守ってください。トピック 6.3 — コードとしてのインフラとGitOpsを参照してください。
アナリティクス
バックアップの成功、RTOに対する復元テストの時間、達成したRPO、完了した演習の発見事項、依存関係のカバレッジを追跡します。注意:バックアップの高い成功率は、データを復元できるかについて何も語りません。復元を数えてください。『サービスマネジメント指標』とトピック 7.3 — 測定とレポートを参照してください。
よくある失敗パターン
- テストされない計画。 必要なときに失敗します。定期的にリハーサルし、復元しましょう。
- 一度も復元されないバックアップ。 空か不完全です。復元をテストし、内容を検証しましょう。
- 隠れた依存関係。 復旧がアイデンティティやDNSで止まります。依存関係をマッピングし、テストしましょう。
- 攻撃者が変更できるバックアップ。 ランサムウェアが暗号化します。変更できないコピーを保ちましょう。
- ITだけの計画。 事業が関わっていません。事業のオーナーとともに影響分析を行いましょう。
- 故障したシステムの上にしかない計画。 誰も読めません。オフラインのコピーを保ちましょう。
- 代理がいない。 ひとりが知識を握っています。代替を指名し、訓練しましょう。
成熟度モデル
| 観点 | 開始 | 発展 | 標準化 | 管理 | オーケストレーション |
|---|---|---|---|---|---|
| 影響と目標 | 定義されていない | 重要なサービスが一覧にされる | RTOとRPOが事業への影響から設定される | 目標がコストと結果とともにレビューされる | 目標が企業全体とサプライヤーをまたいで調整される |
| バックアップと復旧 | バックアップが未検証 | バックアップが実行される | 復元がテストされ、時間が測られる | 復元の成績が追跡され、改善される | 復旧が自動化され、継続的にテストされる |
| 計画 | なし、または古い | 主要なサービスに書かれている | 名前のある役割と代理を持つ簡潔な計画 | 計画が演習のたびに更新される | 計画が部門、サプライヤー、顧客をまたいで統合される |
| 演習 | なし | 紙のウォークスルー | 定期的なシミュレーションと実地の復元 | 発見事項が完了まで追跡される | 演習がパートナーと現実的なシナリオを含む |
チェックリスト
- 重要なサービスについて、事業影響度分析を完了した。
- 各重要なサービスに、オーナーと合意したRTOとRPOがある。
- アイデンティティとDNSを含む依存関係がマッピングされている。
- 少なくとも一つのバックアップが変更不可で、復元がテストされている。
- 計画が短く最新で、オフラインにも保管されている。
- 役割と代理が指名されている。
- 演習を定期的に実施し、発見事項を完了まで追跡している。
- サプライヤーの継続性の取り決めが分かっていて、可能な範囲でテストされている。
AIプロンプト
計画のギャップを確認する。
Here is our continuity plan for [service]: [paste]. Here is the list of its dependencies: [paste].
List dependencies that the plan does not mention, steps that rely on a person without a named deputy, and steps that assume a system that may be down. Do not rewrite the plan.
List what you are unsure of.
シナリオ演習を設計する。
Our context: [type of organization, key services]. Scenario theme: [for example, ransomware, data center loss].
Draft a 90-minute discussion exercise with a timeline of events, six decision points, questions for each role, and what to record. Do not use real names or systems unless I give them.
List what you are unsure of.
復元テストの結果を要約する。
Here are the notes from a restore test: [paste with times and problems].
List what took longest, what failed, the dependencies discovered, and the actions to consider, with the owner role for each. Do not invent causes.
List what you are unsure of.
AIスキル
- business-continuity-plan: 重要な機能がどう継続するかを計画するときに使います。
- disaster-recovery-plan: システムとデータの復旧を計画するときに使います。
- disaster-recovery-testing: 復旧テストを設計し、実施するときに使います。
- crisis-communication-plan: 中断の間のコミュニケーションを計画するときに使います。
- chaos-testing: 障害時の振る舞いを安全にテストするときに使います。
主要な情報源
- ISO 22301, Security and resilience — Business continuity management systems: 国際標準。現在の版は発行元から読んでください。
- PeopleCert, ITIL certification pages: サービス継続性管理のプラクティスについての所有者の説明。
- Wikipedia, "Business continuity planning" and "IT disaster recovery": 考え方と用語の概観。
- Wikipedia, "Chaos engineering": 意図的に障害をテストするプラクティス。
参考文献
- Business continuity planning — Wikipedia — https://en.wikipedia.org/wiki/Business_continuity_planning
- IT disaster recovery — Wikipedia — https://en.wikipedia.org/wiki/IT_disaster_recovery
- Disaster recovery — Wikipedia — https://en.wikipedia.org/wiki/Disaster_recovery
- ISO 22301 — Wikipedia — https://en.wikipedia.org/wiki/ISO_22301
- Backup — Wikipedia — https://en.wikipedia.org/wiki/Backup
- Backup site — Wikipedia — https://en.wikipedia.org/wiki/Backup_site
- Chaos engineering — Wikipedia — https://en.wikipedia.org/wiki/Chaos_engineering
- Crisis management — Wikipedia — https://en.wikipedia.org/wiki/Crisis_management
- Ransomware — Wikipedia — https://en.wikipedia.org/wiki/Ransomware
- Replication (computing) — Wikipedia — https://en.wikipedia.org/wiki/Replication_(computing)
- Risk management — Wikipedia — https://en.wikipedia.org/wiki/Risk_management