知识卡片
金丝雀的错误预算与规模
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?
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16章 金丝雀发布 · 查看原书依据
我们强烈建议一次只运行一个金丝雀部署。