知识卡片
与客户共建SLO的五步
与客户一起做 SRE 可以和自己学走路同时进行,前者还能加速后者。Google 的步骤:
第1步:SLO 和 SLI 是共同语言。关心客户如何形成“你可靠吗”的看法:他们测什么、怎么测、向他们的客户承诺什么。如果没有:客户说“API X 平时耗时 T,现在是 U,你们出问题了”;你说“性能符合预期,这么长有问题吗?”;客户说“不知道,但变了,我们担心”——对话无限循环,你要么花大量精力说服他们别管,要么花大量精力从根本上去改变。根因是客户没用 SLO 判断是否该关心,只是注意到意外变化。没有明确 SLO 时,客户必然会自己发明一个,而且直到你没达到它才告诉你。有了 SLO:“应用 FOO 的 SLO 燃烧太快,SLI X 和 Y 断崖下跌,它们都依赖你的 API X”——只在 SLO 受威胁时发生,且基于双方都理解的指标和目标。练习:与客户坐下来,解释 SLO、SLI 和错误预算(尤其是你团队的实践方式),再帮他们用这些术语描述其关键应用。
第2步:审核监控并建共享仪表板。帮客户判断测量是否合适——经验是客户测量和告警的东西中多达一半对其 SLO 没有影响,指出来让他们关掉恼人的告警,双方呼叫都减少;其余是 SLI 候选,帮他们组合计算 SLO;很快会发现 SLO 的某些维度没有合适度量覆盖,也要帮他们补上。最后共建 SLO 共享仪表板:你能看到他们的应用 SLO,并共享与他们体验相关的系统性能信息——目标是客户因 SLO 受威胁来找你时,不必再交换太多信息,一切都在共享监控里。
第3步:测量并重新谈判。收集一两个月数据,准备迎接客户的“猛醒”:以为是“五个 9”的应用(人人都以为自己有五个 9),按新 SLO 只有 99.5%–99.9%。冲击过后正好指出:他们的用户并没有一直在抗议,也许根本不需要从未达到过的五个 9。关键问题是用户对应用性能有多满意——满意且没有证据表明提升性能或可用性会增加采用、留存或使用,就完成了;定期重问这个问题确保预算和优先级仍然正确(见第2章)。仍需改进则进入下一步。
第4步:设计审查与风险分析。像审查内部应用那样了解其设计和运维:隐藏的单点故障?手动部署和回滚?按每项问题消耗的错误预算排序,观察客户选择修哪些来“赚回 9”(如从 99.5% 到 99.9%)——你会了解客户如何使用平台、会犯哪些可靠性错误、改进时选择哪些权衡;也帮客户对当前应用应有的可靠性建立现实期望,期望影响看法,设置得当有助于赢得并保持信任。
第5步:练习、练习、练习。与客户一起演练模拟问题(灾难角色扮演、灾难恢复测试、值班游戏日),建立危机中有效沟通的肌肉记忆——建立信任、降低 MTTR、发现可以作为增强纳入平台功能的古怪运维边缘情况。真出事时不要只分享你的事后报告,而要做联合事后总结。
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19章 SRE:超越自己 · 查看原书依据
请记住,在没有明确的SLO的情况下,您的客户将不可避免地发明一个,并且直到您没达到这个SLO才告诉您!