6.1システム監視とジョブ管理

システム運用の起点は「異常をSLA違反になる前に捉えること」です。サービスマネージャには、どの項目をどのしきい値で監視すれば兆候の段階で気付けるかを設計し、夜間バッチのような多数のジョブを依存関係を保ったまま時間内に流し切るスケジュールを組み、途中で異常終了したときにサービスへの影響を最小化する処理（打切り・リラン・スキップ）をあらかじめ決めておく判断が求められます。監視が細か過ぎればアラート洪水で本当の異常が埋もれ、粗過ぎれば手遅れになる——このバランスの設計が実務の核心です。

6.1.1監視項目としきい値・アラート

• 監視項目＝サービスの健全性を表す指標。リソース系（CPU使用率・メモリ・ディスク空き・ネットワーク帯域）と、利用者視点のサービス系（応答時間・トランザクション成功率・エラー率）を区別する。SLAが「応答時間」で結ばれているなら、CPU使用率だけでなく利用者が体感する応答時間そのものを監視しないとSLA違反を直接検知できない。
• しきい値（threshold）＝アラートを発する境界値。単一のしきい値ではなく、警告（warning）と危険（critical）の二段階に分けるのが定石。警告で余裕をもって是正に着手し、危険に達する前にSLA違反を未然に防ぐ。しきい値を厳し過ぎる値に置くと誤検知（false positive）でアラートが多発し、運用者が慣れて本物を見逃す（アラート疲れ）。

6.1.2ジョブスケジューリングとジョブネット

• ジョブスケジューリング＝バッチ処理などのジョブを、実行順序・起動時刻・実行契機（前ジョブの正常終了・特定ファイルの到着など）に従って自動起動する仕組み。夜間のバッチ処理を業務開始までの時間枠（バッチウィンドウ）内に確実に完了させることがSLA順守の前提になる。
• ジョブネット＝複数のジョブを依存関係（前後関係）で結んだ実行単位。ジョブAの正常終了を条件にジョブBを起動する、といった連鎖を定義する。先行ジョブが異常終了した場合に後続をどう扱うか（止めるか、飛ばすか）を定義しておかないと、不完全なデータのまま後続が走り障害が下流へ連鎖する。
• 異常終了時の処理＝(1)打切り（abort）＝後続を止めて運用者に通知し原因調査・手動対応へ回す、(2)リラン（再実行）＝リカバリ後に異常終了したジョブから再開する、(3)スキップ＝影響の小さいジョブを飛ばして重要な後続を先に流す、を状況に応じて使い分ける。リランは中途半端に更新されたデータを二重計上しないよう、リスタート地点の設計（チェックポイント・再実行可能性）が肝心。