概要
- AWSの大規模障害の根本原因が DNS問題 であること
- 経験豊富なエンジニア の流出が障害対応力の低下を招いている懸念
- DynamoDB など基幹サービスへの影響でインターネット全体に広範な障害発生
- 人材流出 と組織の知識喪失が、今後の信頼性に大きなリスク
- 技術の問題ではなく、 維持管理する人材の問題 が核心
「It's always DNS」AWS大規模障害の本質
- システム管理者の間で有名な「It's always DNS」という言葉、 障害の多くがDNS関連 で発生する現実
- 2024年のAWS大規模障害も DNSが原因 で発生
- AWSの ベテランエンジニアの流出 が障害対応の遅れに影響している疑念
- 2022年から2024年にかけて 27,000人以上のAmazon従業員がレイオフ、多くがAWSにも影響
- DynamoDB が障害の中心となり、銀行、ゲーム、SNS、政府サービス、Amazon.com自体など 広範なサービス停止
障害発生から対応までの流れ
- 10月20日午前0:11（PDT）、 US-EAST-1リージョンで複数サービスのエラー率・遅延増加 をAWSが調査開始
- 約1時間後、 DynamoDBエンドポイントへのリクエストで重大なエラー率 を確認
- 2:01には DynamoDB APIエンドポイントのDNS解決が根本原因 と特定、他サービスへの連鎖障害発生
- DynamoDBは基幹サービス であるため、障害の波及範囲が非常に大きい
- AWSの障害情報ページでは 75分間「すべて正常」と表示 され、情報伝達の遅延が浮き彫り
技術力と人的資本の課題
- AWSは インフラ運用のプロフェッショナル だが、 リージョン単位の障害でも世界的ニュース になる規模
- 障害の複雑さは 大規模運用ならでは で、単純な見落としではない
- ベテランエンジニアの退職 が障害対応力の低下に直結
- Justin Garrison の退職時の指摘：「大規模障害（LSE）が増加、2024年にも重大障害が予想される」
- ノウハウの継承不足 が根深い問題
- 新規雇用では 過去の障害パターンや暗黙知の再獲得が困難
- 「人が辞めても問題ない」は幻想、実際には知識喪失が信頼性に直結
人材流出の実態と影響
- AWS広報は「人材流出はない」と主張するが、 事実として大規模なレイオフと自発的離職が発生
- 社内資料によると「後悔離職率」69%〜81%、離職を惜しまれる人材の流出
- Return to Office（出社回帰）施策 への不満が熟練エンジニアの離職要因
- 初期メンバーは市場価値が高く、AWSに留まる理由が減少
今後の展望と筆者の見解
- 転換点 を迎えたAWS、 深い障害モードを理解する人材の喪失 がクリティカル
- 新体制はコスト削減重視 だが、 復旧・検知の遅延 が目立つ
- 「フルガリティ（Frugality）」の本来の意味は「少ないリソースで多くを成し遂げる」だが、 今は「何もない状態で全てやる」状況
- 冗長で経験豊かな人材 がAWSの強みだったが、 人員削減で基本的な部分から崩壊
- 技術の古さではなく、維持する人材の新しさが問題
- 市場は今回の障害を許容するかもしれないが、 今後同様の障害が増加するリスク
- 「これは単発の事故」とAWSは説明するだろうが、 エンジニアの空洞化で再発リスクが高まる
- 次の障害は時間の問題、人材不足のチームがどのエッジケースでつまずくかが焦点