知识卡片
依赖可靠性不能简单相乘
关键用户旅程:SLO 最终应以改善用户体验为中心。关键用户旅程是用户体验的核心任务序列,如在线购物的“搜索商品 → 加入购物车 → 完成购买”。它们很难映射到现有 SLI(每步都可能失败,从日志推断成败很难——用户是在第三步失败,还是去别的标签页看猫视频了?),但先要确定什么对用户重要。可以通过关联日志事件、高级 JavaScript 探测、客户端埋点来度量,成为新的 SLI——能提高召回率而不影响精确率。
按重要性分级:并非所有请求同等重要——广告客户的计费请求比 App 拉取通知更重要。用分桶标签给不同类别设不同 SLO:付费客户 99.99%、免费 99.9%;交互请求 90% 在 100 ms 内、CSV 下载 90% 在 5 秒内开始。也可按客户跟踪有多少客户在 SLO 内(请求很少的客户波动大,看总体趋势更有用)。
依赖建模:SLO 也是在技术栈各组件间协调可靠性要求的工具。若某组件是高价值交互的关键依赖,它的可靠性保证至少要与依赖它的动作一样高,其团队要像管理产品 SLO 一样管理自己的 SLO;组件有固有限制时,SLO 能传达限制,上层要用替代组件或防御手段(缓存、离线存储转发、优雅降级)来设计。
数学陷阱:单区域 99.9%,部署两个区域就能到 99.9999%?这假设两者完全独立,几乎不可能——它们有共同依赖、共同故障域、共享命运和全局控制面。除非逐一列举并说明每种依赖和故障模式,这类计算都具有欺骗性。
依赖方导致超标时:一种观点是不冻结(不是我们的错);另一种是照样冻结以减少再出事的机会——后者让用户更满意,但要视情况灵活,并把决定写进政策。
放宽 SLO 做实验:在预算充足时,故意降低某方面(如增加页面延迟)观察对业务指标(购买转化)的影响,从而在数学上确定技术指标与业务指标的关系;要定期复查。风险是误读数据——加了 50 ms 没看到转化下降,也可能只是用户暂时没有替代品。
结论:SLO 是衡量服务可靠性的工具;错误预算是平衡可靠性与其他工程工作、找出影响最大项目的工具;现在就开始用。
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?
这张卡片已通过人工审查,不再接受失败反馈。
已有反馈 · 0 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
除非仔细枚举并说明每种依赖性和故障模式,否则任何此类计算都是具有欺骗性的。