Pega 本番障害調査の設計|Tracer・PDC・アラートの使い分けと落とし穴
「本番が重い」という一報に、まず Tracer を起動していないだろうか。Tracer は実行トレースを詳細に取れる反面オーバーヘッドが大きく、本番ノードで安易に回すとさらなる劣化を招く。本記事は継続監視(PDC・アラート)と事後の深掘り(ログレベル・Tracer)をどう役割分担し、どのツールで何を見るかの判断基準を解説する。
結論から:本番調査は「常時監視・局所ログ・最終手段 Tracer」の3層で切り分ける
「本番が重い」という一報を受けたとき、反射的に Tracer を起動していないでしょうか。Tracer は Pega の実行を1ステップずつ克明に追える強力なツールですが、そのぶんオーバーヘッドが大きく、本番ノードで安易に回すと調査そのものが新たな負荷を生み、劣化を悪化させかねません。「原因を見に行った行為が、原因を増やす」という本末転倒が、本番調査でもっとも起きやすい失敗です。
結論を先に言います。判断の型はシンプルです。
継続的な健全性の把握は PDC とアラートに任せ、原因の絞り込みは対象を絞ったログレベルの一時変更で行い、詳細な実行トレース(Tracer)は原則として非本番で再現して取得する。
つまり、調査手段は「常時回すもの」「局所的に一時的に上げるもの」「最終手段として限定的に使うもの」の3層に役割分担します。この切り分けができていないと、本番で Tracer を回して二次被害を出したり、逆にアラートを設定していないために劣化の予兆を取り逃したりします。本記事では、この役割分担を具体的な判断分岐に落とし込みます。
なぜ本番で Tracer を安易に回してはいけないのか
Tracer が優れているのは、ルールの評価順・データ変換の中身・DB アクセス・条件分岐の結果などを1ステップずつ詳細に記録できる点です。開発中の「なぜこの値になるのか分からない」を解くには最良の手段です。
しかし、その詳細さは相応のコストと引き換えです。Tracer はセッションの実行を細かく捕捉するためオーバーヘッドが大きく、本番ノード全体で常用すると、ただでさえ劣化している環境にさらに負荷を積み増します。負荷が高い状況を調べたいのに、調べる行為が負荷を増やすという悪循環に陥ります。
そのため、本番での実行トレースは次の原則で扱います。
- 原則は非本番での再現。まずステージング等で同じ事象を再現し、そこで Tracer を回して原因を特定する。
- どうしても本番でしか再現しない場合も、全体では回さない。特定のリクエスタ(対象ユーザーのセッション)に絞った Remote Tracer とし、影響範囲を最小化する。
- Tracer は「継続監視の道具」ではなく「局所を深掘りする最終手段」だと位置づける。
「本番で今まさに起きている」からといって、本番で Tracer を回すのが最短とは限りません。むしろ、継続監視のデータから当たりを付け、非本番で再現してから深掘りするほうが、二次被害なく確実に原因へ到達できます。
4つの調査手段を役割で理解する
本番調査で使う手段は、大きく4つです。それぞれ「継続的に回すもの」なのか「局所的に一時的に使うもの」なのかを意識すると混乱しません。
PDC(Predictive Diagnostic Cloud)— 継続監視と傾向分析
PDC は、各ノードから性能データやアラートを集約し、傾向を分析して是正候補まで提示してくれる継続監視の仕組みです。1回きりの事後調査ではなく、常時、環境の健全性を把握しておくための土台です。「先週から特定の処理の応答が徐々に悪化している」といった、単発のトレースでは見えない時系列の変化を捉えるのが得意です。障害が起きてから調べ始めるのではなく、予兆の段階で気づくための仕組みだと考えてください。なお、PDC は従来「Predictive Diagnostic Cloud」と呼ばれ、現行版では「Pega Diagnostic Center」へ改称されています(略称 PDC は継続)。提供形態や環境との接続方法も Pega のエディション・バージョンにより異なるため、利用中の版の前提を確認してください。
アラート — 閾値超過の自動検知
アラートは、あらかじめ決めた閾値を超えた事象を自動でログ(アラートログ)に記録する仕組みです。DB アクセスの遅さを捉える代表例が PEGA0005(1 回の DB クエリの実行時間が閾値を超過。既定は 500 ミリ秒)です。ほかにも、インタラクション全体のサーバ応答時間が閾値を超える PEGA0001(既定は 1 秒)、1 回のインタラクションで DB クエリが取得したデータ量が閾値を超える PEGA0004 など、性能に直結する事象をそれぞれ専用のアラートで検知します。アラートは PDC と組み合わせることで「どのノードで、いつ、どの処理が閾値を超えたか」を継続的に蓄積でき、傾向分析の入力になります。
ログレベルの一時変更 — 再起動なしの局所調査
特定の機能・特定のクラスで何が起きているかを、その場で少し深く見たいときに使うのがログレベルの一時的な引き上げです。管理系の画面(Admin Studio 等)から、サーバーを再起動することなく、対象のクラスやロガーに絞ってログレベルを上げられます。ポイントは「対象を絞ること」と「一時的であること」です。環境全体で DEBUG を出しっぱなしにするのは論外で、調査が終わったら必ず元に戻します。
Tracer — 実行トレースの深掘り(最終手段)
Tracer は前述のとおり、実行の詳細を1ステップずつ追える最強の手段ですが、コストも最大です。原則は非本番で再現して使い、本番ではリクエスタを絞った限定運用にとどめます。
ここで挙げたツール名や画面(SMA・Admin Studio など)、機能の呼称はバージョンにより異なります。実際の操作は、対象環境の版に対応した公式ドキュメントで手順を確認してください。
手段の比較表
4つの手段を「役割・オーバーヘッド・本番での可否」で整理すると、使い分けが明確になります。
| 手段 | 役割 | 粒度 | オーバーヘッド | 本番での使い方 |
|---|---|---|---|---|
| PDC | 継続監視・傾向分析・是正候補 | 環境全体・時系列 | 低(常時前提) | 常時稼働させておく |
| アラート | 閾値超過の自動検知 | イベント単位 | 低 | 常時。閾値は SLA に合わせて調整 |
| ログレベル一時変更 | 局所の挙動調査 | 対象クラス限定 | 中(対象を絞れば限定的) | 一時的に上げ、調査後に戻す |
| Tracer | 実行トレースの深掘り | セッション/リクエスタ単位 | 高 | 原則は非本番で再現。本番は特定リクエスタ限定 |
上から下へ行くほど「詳細だが重い・局所的」になり、上へ行くほど「軽量で常時・俯瞰的」になります。まず上(PDC・アラート)で当たりを付け、必要に応じて下(ログ・Tracer)へ降りていくのが正しい順序です。いきなり最下段の Tracer から入るのが、冒頭で述べた失敗です。
アラート閾値は SLA に合わせて設計する
アラートの閾値は DSS(Dynamic System Settings) で調整できます。ここで押さえておきたい設計判断が2つあります。
1つ目は、既定値を鵜呑みにしないこと。PEGA0005 の DB クエリ時間閾値(既定 500 ミリ秒)や PEGA0001 のインタラクション応答時間閾値(既定 1 秒)をはじめ、既定値はあくまで一般的な目安です。システムごとに求められる応答性(SLA)は異なるため、自システムの要件に合わせて閾値を設計し直す必要があります。厳しすぎる SLA の画面には厳しい閾値を、バッチ的な処理には緩めの閾値を、というように使い分けます。
2つ目は、逆にアラートを出しすぎないこと。閾値を下げれば下げるほど多くの事象が引っかかりますが、アラートが大量に出ると、本当に重要なイベントがノイズに埋もれてしまいます。「すべてを検知しようとすると、何も検知できなくなる」という監視設計の原則がここにも当てはまります。重要度の高い事象を確実に拾えるよう、閾値と対象を絞り込む設計が求められます。
つまりアラート設計は、「取りこぼさない」と「埋もれさせない」のバランスを、SLA を基準に取る作業です。
ログレベルの一時変更という定石
「特定の連携処理だけがときどき失敗する」「ある画面遷移でだけ想定外の値になる」といった局所的な事象は、Tracer を持ち出す前に、まず対象クラスのログレベルを一時的に上げて挙動を確認するのが定石です。
- 対象を絞る — 環境全体ではなく、疑わしいクラスやコンポーネントに限定してレベルを上げる。
- 再起動しない — 管理画面から動的に変更できるため、サービスを止めずに調査に入れる。
- 調査後に戻す — DEBUG を出しっぱなしにすると、ログ量の増大でディスクや性能を圧迫し、それ自体が新たな問題になる。
- 機密情報を残さない — ログレベルを上げると、通常は出ない詳細が記録される。個人情報や認証情報がログに落ちないよう、出力内容には注意する。
ログレベルの一時変更は、Tracer ほど重くなく、PDC やアラートよりも局所的で詳細を見られる、ちょうど中間の手段です。多くの局所調査はここで片が付きます。
具体的な判断分岐
実際の場面に当てはめると、判断は次のようになります。
- 「最近なんとなく重い、原因は不明」 → まず PDC の傾向分析とアラートの蓄積を見る。単発の Tracer では時系列の劣化は見えない。
- 「特定の DB アクセスが遅い(PEGA0005 が頻出)」 → アラートで対象クエリを特定し、閾値が SLA に対して妥当かを確認。設計側(インデックスやレポート定義)の見直しへつなぐ。
- 「ある連携処理だけがときどき失敗する」 → まず対象クラスのログレベルを一時的に上げて挙動を確認。それで足りなければ非本番で再現して Tracer。
- 「複雑なルール評価の結果がどうしても分からない」 → 非本番で事象を再現し、そこで Tracer を回す。本番でしか再現しないなら、特定リクエスタに絞った Remote Tracer。
いずれのケースでも、いきなり本番全体で Tracer を回すという選択は出てきません。それが本記事の一貫した主張です。
よくある失敗
本番調査の失敗は、経験上いくつかの典型的なパターンに集約されます。
失敗1:一報を受けて本番でいきなり Tracer を回す。 もっとも多い失敗です。詳細が取れる代わりにオーバーヘッドが大きいため、劣化した環境をさらに悪化させます。まず継続監視のデータで当たりを付け、非本番で再現するのが順序です。
失敗2:継続監視を用意していない。 PDC やアラートを設定しておらず、障害が起きてから初めて調べ始めるパターン。予兆の段階で気づけず、毎回「事後の火消し」になります。継続監視は障害対応の前提条件です。
失敗3:アラート閾値を既定のまま放置、または細かくしすぎる。 既定のままだと自システムの SLA と合わず、重要な劣化を見逃します。逆に閾値を絞りすぎるとアラートが氾濫し、肝心のイベントが埋もれます。SLA を基準に、取りこぼしと氾濫のバランスを設計する必要があります。
失敗4:ログレベルを上げたまま戻し忘れる。 調査は済んだのに DEBUG が出しっぱなしで、ログ量の増大が新たな性能問題や、機密情報の混入を招きます。「対象を絞る・一時的にする・戻す」をセットで運用します。
まとめ
- 本番調査は PDC・アラート(継続監視)/ログレベル一時変更(局所調査)/Tracer(最終手段) の3層で役割分担する。
- Tracer は重い。本番ノードでの常用は避け、原則は非本番で再現、やむを得ない場合も特定リクエスタに限定する。
- PDC とアラートは常時稼働が前提。障害が起きてから調べるのではなく、傾向と閾値超過で予兆を捉える。
- アラート閾値は DSS で SLA に合わせて設計する。既定値の鵜呑みも、氾濫させる過剰設定も避ける。
- ログレベルは対象を絞って一時的に上げ、調査後に戻す。DEBUG の出しっぱなしと機密情報の記録は禁物。
- ツール名や画面の呼称はバージョンにより異なるため、対象版の公式ドキュメントで手順を確認する。
「まず継続監視で当たりを付け、局所はログ、深掘りは非本番の Tracer」——この順序を型として持っておくだけで、本番調査での二次被害を避け、原因へ最短で到達できます。
Pega の運用監視設計・本番トラブルシューティングでお困りの際は、Pega Platform 開発支援 や Pega DevOps 支援、無料相談 をご利用ください。Pega 認定資格の最高位 LSA(Lead System Architect)を保有するコンサルタントが、監視設計から性能改善までご支援します。
関連リンク
このテーマの記事をまとめて読む: Pega の運用・保守・内製化 用語は Pega 用語集 で引けます
関連記事
Pega Process AI の予測をケースに組み込む判断|適応モデルと決定ルールの使い分け
ケースの振り分けや優先度づけを「予測に任せるか、ルールで決め切るか」は、多くの実装で迷う分岐点です。本記事では Pega Process AI の予測をどこに、どう組み込むべきかを、モデル選定・フォールバック設計・運用監視の観点から整理し、実装者が具体的に判断できる形にまとめます。
記事を読むPega 日時・タイムゾーン設計|DateTime と Date の使い分けと UTC 保存の落とし穴
「登録日が1日ずれる」「バッチの集計時刻が合わない」——多言語・多地域展開の Pega アプリで LSA が必ず直面するのが日時とタイムゾーンの設計だ。DateTime を UTC で保存し表示で現地時刻へ変換するモデルを理解せず、暦上の日付まで DateTime にしてしまうと、タイムゾーン変換で日付が前後する。プロパティ型の選択基準から整理する。
記事を読むPega ケース移行の設計判断|進行中ケースを移すか切替後に新規作成か
「旧システムの進行中案件をPegaへそのまま移せますか?」— レガシー移行で必ず出るこの問いに、LSAは安易に頷けない。過去フローの完全再現はほぼ不可能で、現在ステージと業務データの再現に絞るのが定石だ。本記事はオープンケース移行と切替後新規作成の分岐、SLA・アサインメント・監査履歴の扱い、段階移行とビッグバンの判断を、失敗例とともに整理する。
記事を読む