Google SRE 북 2판 정리: AI 시대 신뢰성 엔지니어링의 변화
3줄 요약
- Google이 2016년에 처음 낸 『Site Reliability Engineering』을 10년 만에 처음부터 다시 쓴 2판을 발표했습니다 [1].
- SLO·에러 버짓, 관측성, 자동화, 복원력 테스트, 용량 관리 다섯 영역에서 '수동·정적' 방식이 '자동·지속' 방식으로 옮겨 갔다고 정리합니다 [1].
- 생성형 AI는 SRE가 운영해야 할 대상이자 SRE를 돕는 도구로 다뤄지며, 판단을 대체하기보다 보조하는 역할로 그려집니다 [1].
무엇이 바뀌었나
발표는 Google의 SRE 프로그램 매니저 Betsy Beyer와 소프트웨어 엔지니어 David Huska가 맡았습니다 [1]. 이들은 이제 핵심 과제가 클라우드 도입이 아니라, 시스템이 더 분산되고 서로 얽히며 끊임없이 바뀌는 상황에서 신뢰성을 지키는 일이라고 설명합니다 [1]. 운영 업무에 소프트웨어 엔지니어링을 적용한다는 1판의 기본 관점은 그대로 유지합니다 [1].
달라진 점은 SRE를 고정된 관행 묶음으로 보지 않는다는 것입니다. 모놀리식 애플리케이션과 초기 클라우드 이전 시기에서 마이크로서비스, 멀티 클라우드, 서버리스, 내부 개발자 플랫폼(IDP, 개발팀이 셀프서비스로 인프라를 쓰게 해 주는 사내 플랫폼)으로 넘어오면서 관행이 어떻게 변했는지를 다룹니다 [1]. 영역별 변화는 다음과 같습니다.
- SLO와 에러 버짓: 단순 가용성 지표와 사람이 적용하던 에러 버짓 정책에서, 사용자 중심의 다층 SLO, 동적 번 레이트(burn rate, 에러 버짓이 소진되는 속도) 알림, 자동 정책 집행으로 바뀌었습니다 [1]. 인프라 가동률보다 장애가 사용자에게 미치는 영향을 재는 쪽으로 무게가 옮겨 갔습니다 [1].
- 관측성: 정적 대시보드와 기본 로그, 수동 알림 분류에서 OpenTelemetry, 분산 트레이싱, 이상 징후 자동 상관 분석으로 넘어갔습니다 [1]. 목표는 데이터를 더 모으는 것이 아니라 알림에서 납득할 만한 원인 설명까지 걸리는 시간을 줄이는 것입니다 [1].
- 자동화: 개별 작업용 스크립트에서 선언형 IaC, 내부 개발자 플랫폼, 자가 치유 시스템으로 이동했습니다 [1].
- 신뢰성 테스트: 정기 게임 데이와 합성 부하 테스트에서 지속적인 복원력 점검, 파이프라인 자동 테스트, 운영 환경 카나리 검증으로 옮겨 갔습니다 [1].
- 용량 관리: 수동 프로비저닝과 정적 예측에서 동적 오토스케일링, 클라우드 FinOps 연계, GPU·TPU 클러스터 최적화로 바뀌었습니다 [1].
운영 관점에서 볼 점
AI 인프라 운영: 2판은 대규모 GPU·TPU 클러스터, 네트워크 토폴로지, 비결정적 모델 출력, 지연 시간 특성, 학습·파인튜닝·데이터 처리 파이프라인의 신뢰성을 다룹니다 [1]. 상태가 없는 일반 웹 서비스와는 성격이 다른 문제라는 점을 짚습니다 [1].
비용: AI 학습과 추론은 희소한 가속기 자원에 수요가 몰리기 때문에, 용량 계획과 네트워킹, 비용 통제가 운영에서 더 중요해집니다 [1]. 이 때문에 FinOps와 용량 관리를 따로 떼어 보기 어렵게 됐습니다.
AI 도구 도입: 발표는 장애 분류, 포스트모템 작성, 텔레메트리 자연어 질의, 장애 전 병목 예측에 생성형 AI를 쓰는 것을 긍정적으로 봅니다 [1]. 다만 예시 대부분에서 AI는 엔지니어를 위해 근거를 모으고 정리하는 보조 역할입니다 [1]. 업계 흐름도 비슷합니다. InfoQ 보도에 따르면 Datadog은 Bits AI SRE 안에서 운영 문제를 조사하는 특화 모델 Scout를 내놓았고, Honeycomb Canvas Agent, Splunk AI SRE, New Relic SRE Agent도 같은 영역을 다룹니다 [1]. Google Cloud SRE가 실제 장애 대응에 Gemini CLI를 활용했다는 보도도 있었는데, 이 역시 온콜 인력 대체가 아니라 보조 용도였습니다 [1].
조직 구조: 특정 애플리케이션에 붙은 전담 SRE 팀에서 벗어나 하이브리드 모델, 플랫폼 엔지니어링 통합, 제품 팀에 배치된 '신뢰성 챔피언' 방식으로 옮겨 간다고 설명합니다 [1]. 이런 변화의 배경에 대한 설명은 제공된 자료에서 끝까지 확인되지 않았습니다.
책의 출간 일정, 가격, 공개 방식은 자료에 나와 있지 않아 아직 확인되지 않았습니다.
적용해 보려면
자료에는 구체적인 명령어나 설정이 없으므로, 2판이 제시한 방향을 기준으로 점검 순서를 정리합니다.
- SLO 재점검: 현재 SLO가 인프라 가동률 위주인지, 사용자 영향을 반영하는지 확인합니다. 번 레이트 기반 알림과 에러 버짓 정책의 자동 집행이 가능한지 검토합니다 [1].
- 관측성 표준화: OpenTelemetry와 분산 트레이싱 도입 범위를 확인하고, '알림에서 원인 설명까지 걸리는 시간'을 지표로 삼습니다 [1].
- 자동화의 플랫폼화: 팀마다 따로 만든 스크립트를 선언형 IaC와 내부 플랫폼 기능으로 옮겨, 한 번 만든 신뢰성 기능을 여러 제품 팀이 함께 쓰게 합니다 [1].
- 복원력 검증을 파이프라인으로: 릴리스 전 이벤트성 점검 대신 파이프라인 자동 테스트와 운영 카나리 검증을 배포 과정에 넣습니다 [1].
- AI 워크로드 용량 계획: GPU·TPU 자원을 쓰고 있다면 오토스케일링과 FinOps 관점을 함께 묶어 계획합니다 [1].
- AI 보조 도구는 보조로: 장애 분류나 포스트모템 초안에 AI를 쓰더라도 최종 판단은 엔지니어가 내리는 구조를 유지합니다 [1].
정리
SRE 북 2판은 SLO, 에러 버짓, 포스트모템 같은 1판의 개념을 버리지 않고, 이를 자동화·지속 검증·플랫폼 중심으로 다시 정리한 책입니다 [1]. AI는 운영해야 할 새 워크로드이자 엔지니어를 돕는 도구로 함께 다뤄집니다 [1]. 실무에서는 SLO 정의 방식, 관측성 표준, 플랫폼 팀과 제품 팀의 역할 분담을 이번 개정 방향에 맞춰 다시 살펴볼 만합니다.
참고 자료
- Ten Years On, Google Updates the SRE Book for the AI Era · InfoQ DevOps, 2026-11-17