はじめに: 「再試行」がシステムを殺すとき
「一時的なエラーなら、リトライ(再試行)すればいい」。分散システムを設計したことがある人なら、誰しも一度はこう考えたことがあるはずです。実際、AWSのアーキテクチャガイドでも、一時的な障害に対するバックオフ付きリトライはベストプラクティスとされています。しかし、この「リトライは善」という常識は、システムが劣化した瞬間に崩れ落ちます。
2026年9月17日、Uberがエンジニアリングブログ「How Uber Protects Against Retry Storms」を公開し、Hacker Newsでも話題になりました。テーマは「リトライストーム」——再試行の連鎖が嵐のようにシステム全体を飲み込み、単一サービスの軽微な劣化がプラットフォーム全体の停止にまで拡大する現象です。
Uberはこの記事で、2025年11月18日に実際に起きた大規模障害を振り返っています。コールチェーンの5階層以降にあったCore Entityサービスがインフラ障害で高エラー率になると、エラーは上位サービスへ急速に伝播。もし従来のリトライバジェット運用のままなら、劣