Παρακολούθηση SLA και SLO

1) Όροι και ρόλοι

SLA (συμφωνία επιπέδου υπηρεσιών) - εξωτερική συμβατική υποχρέωση έναντι του πελάτη (ρήτρες ποινής, πιστώσεις).
SLO (Στόχος επιπέδου υπηρεσίας) - στόχος εσωτερικού επιπέδου υπηρεσίας που υποστηρίζει την εκτέλεση SLA.
SLI (δείκτης επιπέδου υπηρεσίας) - μετρούμενος δείκτης, βάσει του οποίου αξιολογούνται SLO/SLA.
Σφάλμα προϋπολογισμού - το επιτρεπόμενο ποσοστό «μη διαθεσιμότητας/σφαλμάτων» για την περίοδο: «Προϋπολογισμός = 1 − SLO».
Πεδίο εφαρμογής: μετράται από τους οφθαλμούς του χρήστη (από το τέλος έως το τέλος). Σε μικροϋπηρεσίες, τόσο σε επίπεδο συστατικού όσο και σε επίπεδο διαδρομής από το τέλος έως το τέλος.

2) Επιλογή SLI: τι ακριβώς πρέπει να μετρηθεί

Το κριτήριο είναι η συσχέτιση με την εμπειρία των χρηστών και την επιχειρηματική αξία.

• Διαθεσιμότητα: ποσοστό επιτυχημένων αιτήσεων. 'SLI = επιτυχής/όλα'.
• Καθυστέρηση: το ποσοστό των αιτήσεων είναι ταχύτερο από το κατώτατο όριο T. 'SLI = P (καθυστέρηση ≤ T)'.
• Ποιότητα: αναλογία σωστών απαντήσεων (χωρίς 5xx/λειτουργίες. σφάλματα).
• Επικαιροποιημένα δεδομένα - Καθυστέρηση αντιγραφής/ETL ≤ X λεπτά.
• Επιδόσεις της επιχειρηματικής διαδικασίας: μερίδιο των επιτυχών πληρωμών/καταχωρίσεων.

Αντισυνταγματικά: μετρούν μόνο 200 ως «επιτυχία», αγνοώντας τα επιχειρηματικά λάθη. μέτρηση στο δίκτυο δοκιμών αντί του δικτύου χρηστών.

3) Τύποι και παράθυρα παρατήρησης

• «Διαθεσιμότητα = (OK_requests/ All_requests) × 100%».

• Το «P95 ≤ T» → διατυπώνεται καλύτερα ως μερίδιο: «SLI =% των αιτήσεων ≤ T».
• Παράδειγμα: «99% των ερωτημάτων αναζήτησης ≤ 300 ms σε 28 ημέρες».
• 28 ή 30 ημέρες (ισορροπία ευαισθησίας και σταθερότητας). Για περιστατικά - πρόσθετα παράθυρα: 1 ώρα, 6 ώρες, 24 ώρες.

4) Σφάλμα στον προϋπολογισμό και έλεγχος του ποσοστού μεταβολής

Υπολογισμός: στο 'SLO = 99. 9% 'προϋπολογισμός =' 0. 1% "σφάλματα/μη διαθεσιμότητα ανά περίοδο.

• Προϋπολογισμός> 50%: εκδόσεις και πειράματα σχεδιασμού.
• Προϋπολογισμός 10-50%: μόνο ελευθερώσεις χαμηλού κινδύνου, αυστηρότερα καναρίνια.
• Προϋπολογισμός <10%: πάγωμα απελευθέρωσης, αιτία, βελτιώσεις αξιοπιστίας.
• Σύνδεση με προοδευτικές εκλύσεις: καναρίνι/σημαίες χαρακτηριστικών «τρώνε» τον προϋπολογισμό σε δόσεις, με αυτόματη ανατροπή υπό υποβάθμιση.

5) Προειδοποίηση των πολιτικών: από τα κατώτατα όρια έως το ποσοστό καύσης

Γιατί δεν ήταν «daupal SLO - rise alert»: πολύ αργά. Χρειάζεται προορατικότητα.

• 'BR = (παρατηρηθέν σφάλμα σε σύντομο παράθυρο/επιτρεπόμενο σφάλμα σε αυτό το παράθυρο)'.
• Εάν «BR> 1» - ο προϋπολογισμός καταναλώνεται ταχύτερα από το κανονικό.

• Ταχεία προειδοποίηση (ο θόρυβος είναι ευαίσθητος, οι καταστροφές αλιευμάτων): παράθυρο 5-10 λεπτά, κατώφλι BR 14-20 ×.
• Βραδεία προειδοποίηση (υποβάθμιση των αλιευμάτων): παράθυρο 1-6 ώρες, κατώφλι BR 2-4 ×.
• Συνδυασμός συνθηκών: ταχεία ή αργή εργασία - τηλεειδοποίηση εφημερίας.
• Επίπεδα: βομβητής για SLO χρηστών, εισιτήρια/ειδοποιήσεις για την υποβάθμιση των εσωτερικών SLI σε γκρι.

6) Παρατηρησιμότητα και πηγές αλήθειας

Αρχεία καταγραφής - διάγνωση των αιτίων.
Μετρήσεις - αριθμητικά SLI (επιτυχία/σφάλμα, εκατοστημόρια καθυστέρησης, κλάσματα, μετρητές).
Μονοπάτια - μέσα από μονοπάτια, εντοπισμός «καυτών» τμημάτων.
Συνθετικά - ενεργά δείγματα από την περιφέρεια (aware-aware).
Πραγματικά γεγονότα - τηλεμετρία RUM/πελάτη, επιχειρηματικές μετρήσεις (μετατροπή, επιτυχημένες πληρωμές).

Απαιτήσεις: ενιαία εικόνα στα ταμπλό απελευθερώσεων και συμβάντων, σημειώσεις «έκδοση/καναρίνι/σημαία».

7) Σχεδιασμός SLO: πρότυπο βήμα προς βήμα

1. Περιγράψτε την κρίσιμη διαδρομή (για παράδειγμα, «κατάθεση με κάρτα»).
2. Ορισμός SLI: επιτυχία/σφάλμα, όριο καθυστέρησης, πληρότητα.
3. Συμφωνία SLO: στόχος 28 ημερών + εξαιρέσεις (προγραμματισμένα παράθυρα).
4. Σύνδεση με την SLA: νομική υποχρέωση ≦ πραγματική SLO.
5. Ορισμός ιδιοκτήτη υπηρεσίας, RACI και κανάλι συναγερμού.
6. Καθορισμός πολιτικών συναγερμού (BR δύο παραθύρων) και αυτόματων ανατροπών.
7. Υποβολή εκθέσεων εφαρμογής: εβδομαδιαίες επανεξετάσεις του προϋπολογισμού, επανεξετάσεις μετά το συμβάν.
8. Τριμηνιαία επανεξέταση SLO (αλλαγή φορτίου/αρχιτεκτονικής).

8) Παραδείγματα SLO (υποδείγματα)

• Διαθεσιμότητα: '≥ 99. 95% '(28d, εξαιρουμένων των αναγγελθέντων παραθύρων ≤ 30 λεπτά/μήνα).
• Καθυστέρηση: « 99%» απαντήσεις « 400 m ».
• Επιτυχία των επιχειρηματικών δραστηριοτήτων: '≥ 98. 5% "επιτυχείς άδειες (λαμβάνονται υπόψη φίλτρα απάτης).

• Καθυστέρηση: «≥ 99%» ζητά «300 m ≤».
• Συνάφεια κρύπτης: '≤ 5 λεπτά' καθυστέρηση 99% του χρόνου.

• Παράδοση: '≥ 99. 9% "για" ≤ 60 s "(από το τέλος έως το τέλος, με ρετρά).
• Απώλεια: '≤ 0. 01% 'μηνύματα (ενεργοποιημένη η ταυτότητα/απεμπλοκή).

9) Πολυπεριφερειακές και πολυκατοικημένες επιχειρήσεις

SLO «ανά ομάδα»: χώρα, πάροχος πληρωμών, τμήμα VIP, συσκευή.
Τοπικές SLO στην άκρη: μετρήσεις από τα σημεία που βρίσκονται πλησιέστερα στο χρήστη (άκρη/PoP).
Ομαδοποίηση: Η συνολική SLO δεν πρέπει να αποκρύπτει αποτυχίες σε σημαντικές ομάδες.
Πάροχοι μεταγωγής: αυτόματες εφεδρικές διαδρομές σε επίπεδο πύλης SLO.

10) Ταμεία και υποβολή εκθέσεων

Ταμπλό απελευθέρωσης: έκδοση, καναρίνι (% κίνηση), SLI (επιτυχία/καθυστέρηση), BR, σημειώσεις σημαίας.
Λειτουργικό ταμπλό: προϋπολογισμός κατά τη διάρκεια της ημέρας, κορυφαία περιστατικά, MTTR, προβληματικές ομάδες.
Εβδομαδιαίες εκθέσεις: ισοζύγιο προϋπολογισμού, τάσεις BR, τεχνικό χρέος (σημεία συμφόρησης), σχέδιο βελτίωσης.

11) Διαδικασίες: συμβάντα, RCA και βελτιώσεις

Διαχείριση συμβάντων: συναγερμός → αξιολόγηση BR → κλίμακα καναρινιών/σημαιών → rollback/fix.
RCA (βασική αιτία): γεγονότα/χρονοδιαγράμματα/υποθέσεις/διορθώσεις/έλεγχος επίδρασης από SLI.
Διδάγματα που αντλήθηκαν: νεκροψίες χωρίς κυρώσεις, στοιχεία υποχρεωτικής δράσης με ιδιοκτήτες και προθεσμίες.
Κλείσιμο βρόχου: αλλαγές στις δοκιμές, σημαίες χαρακτηριστικών, όρια, κρύπτες, retrays, ποσοστώσεις.

12) Συμμόρφωση και λογιστικός έλεγχος

SLO/SLI ως τεχνουργήματα ελέγχου (policy-as-code, αμετάβλητα αρχεία καταγραφής).
Σύνδεση με τις απαιτήσεις (για παράδειγμα, διαθεσιμότητα πράξεων πληρωμής).
Αποδεικτικά στοιχεία: πρακτικά συναγερμού, εκθέσεις προϋπολογισμού, αρχεία καταγραφής αποδέσμευσης/αναστολής.

13) Συχνά λάθη και τρόπος αποφυγής τους

“99. 99% ή θάνατος": ανέφικτοι στόχοι → συνεχής θόρυβος συναγερμού. Επιλογή ρεαλιστικών SLO.
Οι παγκόσμιοι μέσοι όροι κρύβουν τοπικές βουτιές → εισάγουν ομάδες.
Μετρήσεις όχι e2e: υψηλές SLOs κατά τη διάρκεια της πραγματικής υποβάθμισης στον πελάτη → προσθήκη RUM/συνθετικών.
Προειδοποιήσεις σε ένα κατώφλι → μετάβαση σε ρυθμό καύσης δύο παραθύρων.
Δεν υπάρχει σύνδεση με τις αλλαγές → οι κυκλοφορίες δεν σχολιάζονται, δεν υπάρχει αυτόματη ανατροπή.

14) Mini Implementation Checklist

• Περιγράφονται οι κρίσιμες διαδρομές και οι SLI/SLO τους.
• Έχει οριστεί το παράθυρο παρακολούθησης και αποκλεισμού.
• Οι ειδοποιήσεις BR δύο παραθύρων (γρήγορες και αργές) ρυθμίζονται.
• Πίνακες απελευθερώσεων και λειτουργιών με σημειώσεις εκδόσεων/σημαιών.
• Η δημοσιονομική πολιτική για τα σφάλματα επηρεάζει τις ελευθερώσεις.
• Τακτικές επανεξετάσεις του προϋπολογισμού και μετασυνεπείς RCA.
• Τεκμηρίωση και ιδιοκτήτες καρτών βαθμολογίας.

15) Παράδειγμα υπολογισμού (λεπτομέρειες)

Διαθεσιμότητα API SLO: 99. 9% σε 28 ημέρες → προϋπολογισμού = 0. 1%.
Για 7 ημέρες συσσωρεύθηκε 0. Το 06% των σφαλμάτων → χρησιμοποιήσει το 60% του εβδομαδιαίου προϋπολογισμού.
Σε ένα μικρό παράθυρο 15 λεπτών, παρατηρείται το 2% των σφαλμάτων. Έγκυρη σε αυτό το παράθυρο είναι '0. 1% × (15 λεπτά/40320 λεπτά) ≈ 0. 000037%`.
Ρυθμός καύσης ≫ 1 (δεκάδες ×) → ενεργοποιείται ένα ταχύπλοο βομβαρδιστικό, το καναρίνι επιστρέφει στο 1%, ενεργοποιείται η σημαία εξισορρόπησης-πληρωμής-UX, ξεκινά η RCA.

16) Η τελική γραμμή

Η παρακολούθηση SLA/SLO δεν είναι μόνο αριθμοί στην έκθεση, αλλά ένας μηχανισμός για τη διαχείριση του κινδύνου αλλαγών και της ποιότητας των υπηρεσιών. Οι σωστές SLI, οι ρεαλιστικές SLO, η διαχείριση του προϋπολογισμού σφάλματος, οι συναγερμοί δύο παραθύρων και η e2e-observability μετατρέπουν τις μετρήσεις σε λύσεις εργασίας: η τιμή απελευθέρωσης γρηγορότερα και η εμπειρία του χρήστη είναι προβλέψιμη.