知识卡片
100%可靠性是错误目标
SLO 为何是核心:工程师是稀缺资源,要在赢得/留住客户的功能投资与让客户满意的可靠性投资之间取得平衡。经过深思熟虑的 SLO 让我们能就可靠性工作的机会成本做出数据驱动的决定、排定优先级。SRE 的日常任务与项目都由 SLO 驱动——短期守住、中长期维持;甚至可以说没有 SLO 就不需要 SRE。例如在“自动回滚”与“迁移到复制数据存储”两个项目间,可以估算各自对错误预算的影响来决定。
采用基于错误预算的方法需要四个条件:所有利益相关者批准了 SLO;负责守 SLO 的人同意正常情况下能做到;组织承诺用错误预算做决策和排优先级,并写成错误预算政策;有完善 SLO 的流程。否则 SLO 只是又一个 KPI 或报表指标,而不是决策工具。
SLO 的含义:高于阈值几乎所有用户都满意,低于阈值用户开始抱怨或离开。用户满意才是最重要的。
为什么 100% 是错的: - 即使有冗余、健康检查和快速故障转移,多个组件同时故障的概率也不为零; - 即使你做到 100%,用户也体验不到——你和用户之间的链路很长,任何环节都可能出错;从 99% 到 99.9% 再到 99.99%,每多一个 9 成本都增加,而对用户的边际效用趋近于零; - 想保持 100% 就永远不能更新服务——停机的头号原因就是变更(新功能、安全补丁、新硬件、扩容); - 100% 的 SLO 意味着你只能被动反应。
谁来定:一旦 SLO 低于 100%,就必须由组织中有权在功能速度与可靠性之间权衡的人掌控——小公司可能是 CTO,大公司通常是产品负责人/产品经理。
译文提示:本书为社区机器辅助译本,本卡按上下文和官方英文版理解,引文保留中文原样。
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2章 实施SLO · 查看原书依据
我们的经验表明,100%的可靠性是错误的目标: