知识卡片
逐级汇总算出错误比率
计算集群错误比率分三步:汇总所有实例的回复速率并按状态码分类;把非 200 的速率加总得到集群错误速率;再除以全部请求速率。每步结果都写成新的时间序列,并按“汇总级别:变量名:操作”命名,如“数据中心级别 HTTP 请求的 10 分钟速率”。速率用时间窗口内的差值除以时长,窗口要够长,以免最近几次抓取失败导致点数不足;汇总时去掉实例标签才能相加。结果可直接作为 SLO 报警依据。发散:命名约定让中间结果可复用。
这张卡片看不懂?
这张卡片的反馈已满 10 条,暂时无法继续提交。
已有反馈 · 0 / 10 条
还没有人提交反馈。
在整书笔记中的位置
原书出处 · 1 处
- 第10章 基于时间序列数据进行有效报警 · 查看原书依据
[19] 在前面的例子中,变量命名采用了Google惯例,有助于提高可读性。每一个计算得出的变量名必须包括一个由“:”分隔的组,分别显示汇总级别、变量名称,以及创建这个变量的操作。在这个例子中,表达式左侧变量名的意思是“实例级别 HTTP 请求的10分钟内速率”和“数据中心级别 HTTP 请求的10分钟内速率”。 现在我们知道如何计算请求速率了,可以按这个方式计算出错误回复的速率,同时计算出错误回复速率和请求速率的比率,从而得出Web服务器的健康程度。
参考来源
- 位置:《SRE:Google运维解密》第10章《基于时间序列数据进行有效报警》(源文件:`_epub-src/OEBPS/Text/0009_0001.xhtml`)
- 结论依据:原文给出计算错误比率的三个步骤、rate 与时间窗口的用法、汇总时去除 instance 标签的原因,以及变量命名惯例。
- 原始内容:每一个计算得出的变量名必须包括一个由“:”分隔的组,分别显示汇总级别、变量名称,以及创建这个变量的操作。