← 返回刚才阅读的位置

知识卡片

普通读书笔记卡 · 1610.a.1

金丝雀的错误预算与规模

理解等级:中级

只冒一小部分错误预算的险:风险受时间和金丝雀规模限制。全量部署 20% 失败的版本会让 20% 请求失败;改为 5% 金丝雀,总错误率只有 1%——对预算的影响与有缺陷的流量成正比。假设检测和回滚耗时相同,金丝雀能以低得多的代价获得关于新版本的信息。这个模型很简单:假设负载均匀、可以把全部剩余错误预算花在金丝雀上、只考虑新版本引入的不可用、按最坏的 100% 失败率估计,并允许金丝雀期间整体可用性低于 SLO(足够小的金丝雀——占比等于实际可用性与 SLO 之差——可以放心直接上)。它有明显缺陷,但是可调整的起点。用满足技术和业务目标的最简单模型——追求技术上尽量正确往往导致过度投资,复杂服务的复杂模型会不停调整却没有真正收益(“所有模型都是错的,但有些是有用的”)。

持续时间要匹配发布速度:每天发布就不能让金丝雀持续一周;每周部署可以较长;一天部署 20 次则必须大幅缩短。可以同时跑多个金丝雀,但跟踪系统状态的负担大增,在非标准情况下难以快速推理,重叠还会污染信号——强烈建议一次只运行一个金丝雀。

代表性需要在多个维度权衡: - 规模和时长:足够大、足够久才能代表整体部署;查询多样的系统只收到少量查询就结束没有意义;处理速率越高,获得代表性样本所需时间越短; - 流量:请求越均匀,所需流量越少; - 时段:性能缺陷常在高负载下才出现(资源争用、锁),非高峰部署可能触发不了; - 评估指标:成功率可以很快评估,队列深度等指标需要更长时间或更大金丝雀。 这些要求可能相互矛盾,金丝雀是在最坏情况冷静分析与系统历史记录之间的平衡;积累了过去金丝雀的指标后,可以按典型的评估失败率而非假设的最坏情况选参数。

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?

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

    参考来源

    - 位置:《谷歌站点可靠性工作手册》第16章《第16章 金丝雀发布》16 金丝雀实现;最大程度地降低SLO和错误预算的风险;选择金丝雀种群和持续时间(源文件:extracted/谷歌站点可靠性工作手册/_epub-src/OEBPS/Text/22.html,来源项目 book-sources) - 结论依据:第16章说明金丝雀只消耗与缺陷流量成比例的错误预算(5%金丝雀×20%错误=1%),主张用最简单可用的模型,金丝雀时长应匹配发布频率并一次只运行一个,代表性需在规模时长、流量、时段、评估指标之间权衡并参考历史失败率。 - 原始内容:我们强烈建议一次只运行一个金丝雀部署。