Site Reliability Engineering - Week 2
Course Link
https://www.coursera.org/learn/site-reliability-engineering-slos
References
SLI 指标设计
不好的设计：直接使用系统监视图表（比如 CPU 使用率、内存使用率等），或者使用内部状态监视图表等。
理由是数据噪声大，而且通常和用户体验不呈直接影响的关系。
好的 SLI 指标应具有以下几个特点：
- Has predictable relationship with user happiness
- 与用户幸福感具有可预测的关系
- Shows service is working as users expect it to
- 能展现服务是按照用户期望的方式在运行
- Express as: good events / valid events
- 可以表达为 良好请求 除以 合法请求
- Aggregated over a long time horizon
- 在较长的时间窗口内聚合 SLI，以消除数据中的噪声
常用的 SLI
两个常见场景如下：
Request / Response
请求 & 反馈场景。比如 HTTP, RPC 等。
Availability
可用性。该 SLI 应设计为所有合法请求中成功的比例。
Latency
延迟。该 SLI 应设计为合法请求中响应速度快于阈值的比例。
Quality
服务质量。该 SLI 应设计为所有合法请求中保持服务质量的比例。
Data Processing
数据批量处理场景。
Freshness
新鲜度。该 SLI 应设计为所有合法数据中生成时间快于阈值的比例。
通常需要时间戳来进行 SLI 指标计算。
Correctness
正确度。该 SLI 应设计为所有合法数 据中正确的比例。
需要注意，不能用处理数据的逻辑来判断数据是否正确。
一种方法是可以使用 golden 输入输出对来对整体数据的正确程度进行估计。
Coverage
覆盖程度。该 SLI 应设计为所有合法数据中成功被处理的比例。
类似于上一节中的可用性 SLI。
Throughput
吞吐量。该 SLI 应设计为一段时间内处理速度快于阈值的时间占比。
复杂场景下的建议
尽量减少 SLI 指标数，推荐 1~3 个。
太多 SLI 并不能使得每个指标都那么直观地表现系统的可靠程度。并且大量 SLI 会增加它们之间发生冲突的可能。
这并不意味着其他非 SLI 指标的监控图表也要同样被精简，它们可以帮助你来分析 SLI 低的原因。
同一种 SLI 在多种场景下的聚合
直接将分子之和除以分母之和可能在大部分情况下适用，但也存在一些问题，比如当某一种场景流量较小时，该场景的 SLI 可能会被平滑掉。
可以使用更复杂一些的聚合策略，比如考虑流量相关的加权。
SLI 在多种场景下的阈值定义
以请求的 latency 举例，典型的场景划分可以是：
- 被第三方依赖的请求：因为不知道第三方的调用方式，所以我们不一定要为他们负责，所以只要确保能用即可，比如 10s
- 后台请求：较松的时间阈值，比如 5s
- 比如非人类用户（bot）等发出的请求
- 写请求：较紧的时间阈值，比如 1.5s
- 用户点提交按钮对反馈时间是比较宽容的
- 交互请求：最紧，比如 400ms
设置合理的 SLO
Achieveable SLOs
用户期望与过去的表现密切相关。
如果你已有许多历史数据，则可以通过挖掘历史数据来设置 SLO。这种 SLO 被称之为可达到的 SLO。这种设置方式需要有一个假设，即假设用户对当前和过去的表现感到满意。
Aspirational SLOs
没有历史数据怎么办？如果当前服务的表现并不好或者非常好，怎么设置 SLO？
根据业务需求指定的 SLO 被称之为理想 SLO。可以在服务上限之初，由产品团队来指定，之后可以动态调整。
持续优化
首次设定 SLO 时，您需要观察、搜罗用户感受，并与您制定的 SLO 指标对比。
记得要定时查看 SLO 是否还合适，建议每年查看一次。