Service

什么是服務(wù)?

簡(jiǎn)單說(shuō)就是一切提供給客戶(hù)的有用功能都可以稱(chēng)為服務(wù)。

服務(wù)一般會(huì)由服務(wù)提供者提供，提供這個(gè)有用功能的組織被稱(chēng)為服務(wù)提供者，通常是人加上軟件，軟件的運(yùn)行需要計(jì)算資源，為了能對(duì)外提供有用的功能軟件可能會(huì)有對(duì)其他軟件系統(tǒng)的依賴(lài)。

客戶(hù)是使用服務(wù)提供者提供的服務(wù)的人或公司。

SLI

SLI是經(jīng)過(guò)仔細(xì)定義的測(cè)量指標(biāo)，它根據(jù)不同系統(tǒng)特點(diǎn)確定要測(cè)量什么，SLI的確定是一個(gè)非常復(fù)雜的過(guò)程。

SLI的確定需要回答以下幾個(gè)問(wèn)題：

要測(cè)量的指標(biāo)是什么?

測(cè)量時(shí)的系統(tǒng)狀態(tài)?

如何匯總處理測(cè)量的指標(biāo)?

測(cè)量指標(biāo)能否準(zhǔn)確描述服務(wù)質(zhì)量?

測(cè)量指標(biāo)的可靠度(trustworthy)?

1. 常見(jiàn)的測(cè)量指標(biāo)有以下幾個(gè)方面：

性能

響應(yīng)時(shí)間(latency)

吞吐量(throughput)

請(qǐng)求量(qps)

實(shí)效性(freshness)

可用性

運(yùn)行時(shí)間(uptime)

故障時(shí)間/頻率

可靠性

質(zhì)量

準(zhǔn)確性(accuracy)

正確性(correctness)

完整性(completeness)

覆蓋率(coverage)

相關(guān)性(relevance)

內(nèi)部指標(biāo)

隊(duì)列長(zhǎng)度(queue length)

內(nèi)存占用(RAM usage)

因素人

響應(yīng)時(shí)間(time to response)

修復(fù)時(shí)間(time to fix)

修復(fù)率(fraction fixed)

下面通過(guò)一個(gè)例子來(lái)說(shuō)明一下：hotmail的downtime SLI

錯(cuò)誤率(error rate)計(jì)算的是服務(wù)返回給用戶(hù)的error總數(shù)

如果錯(cuò)誤率大于X%，就算是服務(wù)down了，開(kāi)始計(jì)算downtime

如果錯(cuò)誤率持續(xù)超過(guò)Y分鐘，這個(gè)downtime就會(huì)被計(jì)算在內(nèi)

間斷性的小于Y分鐘的downtime是不被計(jì)算在內(nèi)的。

2. 測(cè)量時(shí)的系統(tǒng)狀態(tài)，在什么情況下測(cè)量會(huì)嚴(yán)重影響測(cè)量的結(jié)果

測(cè)量異常(badly-formed)請(qǐng)求，還是失敗(fail)請(qǐng)求還是超時(shí)請(qǐng)求(timeout)

測(cè)量時(shí)的系統(tǒng)負(fù)載(是否最大負(fù)載)

測(cè)量的發(fā)起位置，服務(wù)器端還是客戶(hù)端

測(cè)量的時(shí)間窗口(僅工作日、還是一周7天、是否包括計(jì)劃內(nèi)的維護(hù)時(shí)間段)

3. 如何匯總處理測(cè)量的指標(biāo)?

計(jì)算的時(shí)間區(qū)間是什么：是一個(gè)滾動(dòng)時(shí)間窗口，還是簡(jiǎn)單的按照月份計(jì)算

使用平均值還是百分位值，比如：某服務(wù)X的ticket處理響應(yīng)時(shí)間SLI的

測(cè)量指標(biāo)：統(tǒng)計(jì)所有成功解決請(qǐng)求，從用戶(hù)創(chuàng)建ticket到問(wèn)題被解決的時(shí)間

怎么測(cè)量：用ticket自帶的時(shí)間戳，統(tǒng)計(jì)所有用戶(hù)創(chuàng)建的ticket

什么情況下的測(cè)量：只包括工作時(shí)間，不包含法定假日

用于SLI的數(shù)據(jù)指標(biāo)：以一周為滑動(dòng)窗口，95%分位的解決時(shí)間

4. 測(cè)量指標(biāo)能否準(zhǔn)確描述服務(wù)質(zhì)量?

性能：時(shí)效性、是否有偏差

準(zhǔn)確性：精度、覆蓋率、數(shù)據(jù)穩(wěn)定性

完整性：數(shù)據(jù)丟失、無(wú)效數(shù)據(jù)、異常(outlier)數(shù)據(jù)

5. 測(cè)量指標(biāo)的可靠度

是否服務(wù)提供者和客戶(hù)都認(rèn)可

是否可被獨(dú)立驗(yàn)證，比如三方機(jī)構(gòu)

客戶(hù)端還是服務(wù)器端測(cè)量，取樣間隔

錯(cuò)誤請(qǐng)求是如何計(jì)算的

SLO

SLO(服務(wù)等級(jí)目標(biāo))指定了服務(wù)所提供功能的一種期望狀態(tài)。SLO里面應(yīng)該包含什么呢?所有能夠描述服務(wù)應(yīng)該提供什么樣功能的信息。

服務(wù)提供者用它來(lái)指定系統(tǒng)的預(yù)期狀態(tài);開(kāi)發(fā)人員編寫(xiě)代碼來(lái)實(shí)現(xiàn);客戶(hù)依賴(lài)于SLO進(jìn)行商業(yè)判斷。SLO里沒(méi)有提到，如果目標(biāo)達(dá)不到會(huì)怎么樣。

SLO是用SLI來(lái)描述的，一般描述為：

比如以下SLO：

每分鐘平均qps > 100k/s

99% 訪問(wèn)延遲 < 500ms

99% 每分鐘帶寬 > 200MB/s

設(shè)置SLO時(shí)的幾個(gè)最佳實(shí)踐：

指定計(jì)算的時(shí)間窗口

使用一致的時(shí)間窗口(XX小時(shí)滾動(dòng)窗口、季度滾動(dòng)窗口)

要有一個(gè)免責(zé)條款，比如：95%的時(shí)間要能夠達(dá)到SLO

如果Service是第一次設(shè)置SLO，可以遵循以下原則

測(cè)量系統(tǒng)當(dāng)前狀態(tài)

設(shè)置預(yù)期(expectations)，而不是保證(guarantees)

初期的SLO不適合作為服務(wù)質(zhì)量的強(qiáng)化工具

改進(jìn)SLO

設(shè)置更低的響應(yīng)時(shí)間、更改的吞吐量等

保持一定的安全緩沖

內(nèi)部用的SLO要高于對(duì)外宣稱(chēng)的SLO

不要超額完成

定期的downtime來(lái)使SLO不超額完成

設(shè)置SLO時(shí)的目標(biāo)依賴(lài)于系統(tǒng)的不同狀態(tài)(conditions)，根據(jù)不同狀態(tài)設(shè)置不同的SLO：總SLO = service1.SLO1 weight1 + service2.SLO2 weight2 + …

為什么要有SLO，設(shè)置SLO的好處是什么呢?

對(duì)于客戶(hù)而言，是可預(yù)期的服務(wù)質(zhì)量，可以簡(jiǎn)化客戶(hù)端的系統(tǒng)設(shè)計(jì)

對(duì)于服務(wù)提供者而言

可預(yù)期的服務(wù)質(zhì)量

更好的取舍成本/收益

更好的風(fēng)險(xiǎn)控制(當(dāng)資源受限的時(shí)候)

故障時(shí)更快的反應(yīng)，采取正確措施

SLO設(shè)好了，怎么保證能夠達(dá)到目標(biāo)呢?

需要一個(gè)控制系統(tǒng)來(lái)：

監(jiān)控/測(cè)量SLIs

對(duì)比檢測(cè)到的SLIs值是否達(dá)到目標(biāo)

如果需要，修證目標(biāo)或者修正系統(tǒng)以滿(mǎn)足目標(biāo)需要

實(shí)施目標(biāo)的修改或者系統(tǒng)的修改

該控制系統(tǒng)需要重復(fù)的執(zhí)行以上動(dòng)作，以形成一個(gè)標(biāo)準(zhǔn)的反饋環(huán)路，不斷的衡量和改進(jìn)SLO/服務(wù)本身。

我們討論了目標(biāo)以及目標(biāo)是怎么測(cè)量的，還討論了控制機(jī)制來(lái)達(dá)到設(shè)置的目標(biāo)，但是如果因?yàn)槟承┰?，設(shè)置的目標(biāo)達(dá)不到該怎么辦呢?

也許是因?yàn)榇罅康男略鲐?fù)載;也許是因?yàn)榈讓右蕾?lài)不能達(dá)到標(biāo)稱(chēng)的SLO而影響上次服務(wù)的SLO。這就需要SLA出場(chǎng)了。

SLA

SLA是一個(gè)涉及2方的合約，雙方必須都要同意并遵守這個(gè)合約。當(dāng)需要對(duì)外提供服務(wù)時(shí)，SLA是非常重要的一個(gè)服務(wù)質(zhì)量信號(hào)，需要產(chǎn)品和法務(wù)部門(mén)的同時(shí)介入。

SLA用一個(gè)簡(jiǎn)單的公式來(lái)描述就是： SLA = SLO + 后果

SLO不能滿(mǎn)足的一系列動(dòng)作，可以是部分不能達(dá)到

比如：達(dá)到響應(yīng)時(shí)間SLO+未達(dá)到可用性SLO

對(duì)動(dòng)作的具體實(shí)施

需要一個(gè)通用的貨幣來(lái)獎(jiǎng)勵(lì)/懲罰，比如：錢(qián)

SLA是一個(gè)很好的工具，可以用來(lái)幫助合理配置資源。一個(gè)有明確SLA的服務(wù)最理想的運(yùn)行狀態(tài)是：增加額外資源來(lái)改進(jìn)系統(tǒng)所帶來(lái)的收益小于把該資源投給其他服務(wù)所帶來(lái)的收益。

一個(gè)簡(jiǎn)單的例子就是某服務(wù)可用性從99.9%提高到99.99%所需要的資源和帶來(lái)的收益之比，是決定該服務(wù)是否應(yīng)該提供4個(gè)9的重要依據(jù)。