SLO/SLA والمقاييس

SLO/SLA والمقاييس

1) المصطلحات والتسلسل الهرمي

SLI (مؤشر مستوى الخدمة) - مؤشر قابل للقياس «كما يرانا المستخدم»: حصة الطلبات الناجحة، وكمون p95، ونضارة البيانات، وحصة الدفعات المعالجة بنجاح، وما إلى ذلك.

SLO (هدف مستوى الخدمة) - استهداف قيمة SLI في فترة المراقبة (28/30/90 أيام). مثال: "99. 9٪ من الطلبات/الدفع تنتهي ≤ 400 مللي ثانية"

ميزانية الخطأ - 1 − SLO. في SLO 99. 9٪ ميزانية خطأ = 0. 1٪ من الوقت/الطلبات.
SLA (اتفاق) - مستوى الخدمة المهم قانونًا: يشمل SLO والقياس والاستثناءات والتعويضات/الغرامات.

2) مبادئ التصميم

الأعراض> المقاييس الداخلية. يجب أن تعكس SLIs تجربة المستخدم الفعلية.
عدد قليل من SLIs الرئيسية. للخدمة - 2-5 رئيسية: النجاح، زمن الكمون، الإنتاجية/النضارة، الصواب.
تغطية المسارات الحرجة. لكل سيناريو عمل (الخروج، تسجيل الدخول، خطاف الويب، تنزيل ETL) مجموعة خاصة به من SLI/SLO.
دلالات «النجاح» الصارمة. ليس «رمز 200»، ولكن «المستخدم تلقى استجابة في الوقت المحدد والنتيجة صالحة».
الفصل بين المنظمات الخارجية والداخلية. داخلي - أكثر صرامة ؛ ≤ جيش تحرير السودان الخارجي 1-2 تسعة أقل.

3) فهرس SLI (مرجع)

3. 1 API/الخدمات عبر الإنترنت

النجاح: 'SLI _ success = 1 − (5xx + timeout + business_error )/ all_requests'

زمن الوصول: p95/p99 "http _ server _ termation _ seconds' حسب المسار/الطريقة/المستأجر

عرض النطاق الترددي: «RPS »/الحدود/الحصص

الصواب: نسبة الردود الصحيحة (التوقيعات، المخططات، الثوابت)

3. 2 خطافات ويب/عمليات تسليم غير متزامنة

التسليم: نسبة الأحداث المؤكدة في ثواني T و ≤ N

العملاء: النسبة المئوية للمشتركين دون تأخير طويل (لكل مستأجر)

3. 3 بيانات/ETL/DWH

النضارة: 'الآن − last_successful_ingest_ts'

الاكتمال: "ابتلع _ صفوف/ expected_rows'

الصواب: نسبة السجلات التي اجتازت فحوصات الجودة

خطوط الأنابيب: حصة الوظائف المكتملة قبل الموعد النهائي

3. 4 محمول/عميل SDKs

نجاح العميل: نسبة الجلسات دون أخطاء فادحة

زمن الانتقال ذهابا وإيابا: p95 من الطلب إلى العرض

ضربات ذاكرة التخزين المؤقت: النسبة المئوية المقدمة من ذاكرة التخزين المؤقت (كعرض من أعراض الأداء)

4) صيغ وأمثلة للأهداف

• 'SLI _ req _ avail = 1 − (failed_requests/ total_requests)'
• 'SLO _ req _ avail = 99. 95٪ 'لمدة 30 يومًا → ميزانية الخطأ = 0. 05٪ من الطلبات.

• وقت التشغيل = (obs_window − وقت التوقف )/ obs_window'

• 'SLO _ latency = p95 (الطريق = «/pay ») ≤ 400 ms' على شرائح مدتها 7 أيام، باستثناء عمليات الإحماء المخبأة (1٪)

• «SLO _ freshness (مجموعة البيانات =» الطلبات «) ≤ 10 دقائق» p99 في 24 ساعة.

5) خطأ في إدارة الميزانية والتغيير

الميزانية (باء): 'B = 1 − SLO'.
الحرق - نسبة الأخطاء الفعلية إلى الأخطاء المسموح بها.

• الإنفاق الزائد (حرق> 1) → تجميد الميزة، والتركيز على الموثوقية.
• بمعدل حرق> X في نافذة قصيرة - حادث وقبعة. تدابير.
• التخطيط: ترتبط حصة العدو السريع من الموثوقية بالحرق خلال الفترة الماضية.

6) التنبيه: معدل الحرق وقواعد النوافذ المتعددة

الفكرة: نلتقط تسريبات سريعة وانجراف بطيء.

• حرج: «2٪ ميزانية في ساعة 1» (نار سريعة).
• تحذير: «5٪ من الميزانية في 6 ساعات» (تدهور زاحف).

• نافذة قصيرة (دقيقة ساعة) للحوادث السريعة.
• نافذة طويلة (6-24 ساعة) للاتجاهات.
• Latency: alert by p99> threshold ≥5 min, with supplication of fling and communication with trace internationals.

error_ratio_5m = errors[5m] / requests[5m]
error_ratio_1h = errors[1h] / requests[1h]
burn_5m     = error_ratio_5m / error_budget_fraction burn_1h     = error_ratio_1h / error_budget_fraction alert_critical if burn_1h > 14 and burn_5m > 14 alert_warning  if burn_6h > 6 and burn_30m > 6

7) تعدد المستأجرين والتجزئة

يتم احتساب SLI/SLO وفقًا للمستأجرين/الخطط/المناطق، وإلا فإن المتوسط «سيتستر» على الإخفاقات.
الحد الأدنى لعدد الأحداث ذات الأهمية الإحصائية (قضبان الحراسة).
يمكن أن يختلف SLA في التعريفات (على سبيل المثال، "Pro 99. 9٪، 99 مجانًا. 5%»).

8) الارتباط مع إمكانية الرصد والآثار

مقاييس SLI - من المخططات/العدادات ذات النماذج → الانتقال إلى المسارات «السيئة».
السجلات هي مصدر الأسباب: المهلة، ورموز خطأ العمل، والحدود.
للبيانات - رابط مع النسب: «أي وظيفة أخرت مقياس النضارة».

9) العقود واتفاقات الخدمات

• تعاريف SLI/طريقة القياس/النوافذ.
• الاستثناءات (العمل المقرر والقوة القاهرة).
• إجراءات الحوادث والاتصال (صفحة الحالة، RFO/RCA).
• أرصدة الخدمة وأمر الطلب.
• الاختصاص، فترة الصلاحية، شروط التنقيح.

• لا تعد علنًا بأن SLOs أكثر صرامة مما تسمح به البنية والممارسات التشغيلية.
• :: منفصلة عن المنظمات المحلية واتفاقات الأمن الخارجية.

10) التكلفة وتحديد الأولويات

سعر nines لا ينمو خطيا. «99. 9% → 99. 99٪" = فئة بنية مختلفة (N + 1، متعدد المناطق، الأصول إلى الأصول).
ضع SLOs على إجراءات المستخدم الأكثر قيمة.
التحكم في تكلفة القياس عن بعد - التقليل من الحجم والحصص والنسخة المقلدة والتخزين حسب الفئة.

11) الإجراءات والإبلاغ

التقارير الأسبوعية: تنفيذ SLO حسب الخدمة/المستأجر، نفقات الميزانية، الأسباب الرئيسية، خطط التحسين.
RCA بعد الحادث: نحن نرتبط بأجزاء من الميزانية ؛ نضع مهام للقضاء على الأسباب الجذرية.
Fichfriz: including/production standards.

12) القوالب (لبداية سريعة)

12. 1 بطاقة SLO (مثال)

Service: Checkout API
SLI:
success: 1 - (5xx+timeouts+biz_failures)/all latency_p95: p95(http_server_duration_seconds{route="/pay"})
SLO:
success: 99. 95% / 30d latency_p95: ≤ 400ms / 7d
Windows:
primary: 30d rolling secondary: 7d rolling
Burn Alerts:
critical: use 1h/5m > 14 warning: use 6h/30m > 6
Owner: Team Checkout
Tenancy: per-tenant (≥ 1k req/day threshold)
Dashboards: RED + trace exemplars

12. 2 جدول نضج SLO

13) أمثلة على القواعد (الشظايا)

promql
Error rate (5xx + timeout) for the sum (rate (http_requests_total{route="/pay",code=~"5. route.    599"}[5m]))
/ sum(rate(http_requests_total{route="/pay"}[5m]))

p99 histogram_quantile latency (0. 99, sum(rate(http_server_duration_seconds_bucket{route="/pay"}[5m])) by (le))

promql error_budget_fraction = 0. 001 for 99. 9%
(err_rate_5m / 0. 001 > 14) and (err_rate_1h / 0. 001 > 14) # critical
(err_rate_30m / 0. 001 > 6) and (err_rate_6h / 0. 001 > 6)  # warning

promql
Data order lag (minutes)
(max(time()) - max(last_ingest_ts_seconds{dataset="orders"})) / 60

14) SLO للبيانات و ML (ميزات)

SLOs البيانات من البداية إلى النهاية: نضارة p99، اكتمال p99، وقت «إعادة المعالجة» بعد الانهيار.
عقود البيانات: المخططات المتوقعة، والمجلدات، والمواعيد النهائية ؛ انتهاك البيانات → الحادث.
ML: SLO لوقت الاستدلال، SLA لتوافر الميزات، مراقبة الانجراف (جودة النموذج موضوع منفصل، خارج SLA).

15) التكامل مع الأمن والخصوصية

سجلات SLI بدون PII/أسرار ؛ ترميز/إخفاء.
إجراء تغييرات في مراجعة حسابات موظفي الشؤون الخارجية/اتحادات الخدمات والإبلاغ عن المنشورات في سجلات غير قابلة للتغيير.
بالنسبة للمسارات التنظيمية (المدفوعات/PII) - SLOs منفصلة وأكثر صرامة.

16) القوائم المرجعية

قبل بدء الخدمة/الميزات

• تحديد SLIs النجاح/الكمون/الإنتاجية/النضارة.
• تحديد المدار البعيد والنوافذ ؛ يتم حساب ميزانية الخطأ.
• حدد تنبيهات معدل الحرق (قصيرة + طويلة).
• لوحات القيادة RED + نماذج → الطرق ؛ الحوادث الجارية.
• أقسام الإيجار المتعدد وعتبات الأهمية.
• إجراء التجميد والإبلاغ.

عملية

• تقرير SLO/Burn الأسبوعي، خطط التشدد.
• إعادة تقييم SLO عندما تتغير العمارة/التحميل.
• «حوادث الحفر» الدورية وتحديثات runibook.
• رصد تكلفة القياس عن بعد وعدد SLI.

17) Runbook'и

كتاب التشغيل: النمو السريع p99/الأجر

1. تنبيه p99> عتبة → فتح لوحة القيادة → الذهاب عبر نموذج لتتبع.
2. ابحث عن نطاق CLIENT/SERVER ضيق، قارن المناطق/الإصدارات.
3. تمكين التحلل (مخبأ/حد/احتياطي)، إخطار أمر التبعية.
4. بعد التثبيت - RCA، مهام التحسين، تحديث قياسات SLO.

كتيب التشغيل: نفقات الميزانية> 50٪ للأسبوع

1. تجميد الميزات، رفع أولوية الموثوقية.
2. تجميع الأخطاء: حسب الطرق/المستأجرين/المعالين.
3. طرح التصحيحات → تأكيد تعافي الاتجاه.
4. تعديل بأثر رجعي وتنبيه/عتبة.

18) الأسئلة الشائعة

س: كم عدد SLOs التي تحتاجها ؟

ج: الحد الأدنى من سيناريوهات المستخدم الحرجة: النجاح + زمن الوصول. كل شيء آخر خارج عن الضرورة.

س: أيهما أفضل - التوافر حسب الوقت أو بالطلب ؟

ج: عند الطلب - مقياس أكثر للمستخدم. الوقت مناسب لمكونات الشبكة/أدناه.

س: لماذا p95، وليس متوسط ؟

ج: الوسط يخفي الذيل ؛ المستخدم يشعر p95/p99.

س: كيف لا «تضييق الخناق» كثيرًا ؟

ج: ابدأ بأهداف واقعية (بيانات تاريخية)، ثم شد عندما تنضج.

• «إمكانية الرصد: السجلات والمقاييس والآثار»
• «آثار موزعة»
• «سجلات التدقيق والسجلات الثابتة»
• «ضمانات تسليم الويب»
• «In Transit/At Rest Encryption»
• «Data Origin (Lineage)»