Service

什么是服務(wù)?

簡單說就是一切提供給客戶的有用功能都可以稱為服務(wù)。

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

客戶是使用服務(wù)提供者提供的服務(wù)的人或公司。

SLI

SLI是經(jīng)過仔細(xì)定義的測量指標(biāo)，它根據(jù)不同系統(tǒng)特點確定要測量什么，SLI的確定是一個非常復(fù)雜的過程。

SLI的確定需要回答以下幾個問題：

要測量的指標(biāo)是什么?

測量時的系統(tǒng)狀態(tài)?

如何匯總處理測量的指標(biāo)?

測量指標(biāo)能否準(zhǔn)確描述服務(wù)質(zhì)量?

測量指標(biāo)的可靠度(trustworthy)?

1. 常見的測量指標(biāo)有以下幾個方面：

性能

響應(yīng)時間(latency)

吞吐量(throughput)

請求量(qps)

實效性(freshness)

可用性

運(yùn)行時間(uptime)

故障時間/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)

隊列長度(queue length)

內(nèi)存占用(RAM usage)

因素人

響應(yīng)時間(time to response)

修復(fù)時間(time to fix)

修復(fù)率(fraction fixed)

下面通過一個例子來說明一下：hotmail的downtime SLI

錯誤率(error rate)計算的是服務(wù)返回給用戶的error總數(shù)

如果錯誤率大于X%，就算是服務(wù)down了，開始計算downtime

如果錯誤率持續(xù)超過Y分鐘，這個downtime就會被計算在內(nèi)

間斷性的小于Y分鐘的downtime是不被計算在內(nèi)的。

2. 測量時的系統(tǒng)狀態(tài)，在什么情況下測量會嚴(yán)重影響測量的結(jié)果

測量異常(badly-formed)請求，還是失敗(fail)請求還是超時請求(timeout)

測量時的系統(tǒng)負(fù)載(是否最大負(fù)載)

測量的發(fā)起位置，服務(wù)器端還是客戶端

測量的時間窗口(僅工作日、還是一周7天、是否包括計劃內(nèi)的維護(hù)時間段)

3. 如何匯總處理測量的指標(biāo)?

計算的時間區(qū)間是什么：是一個滾動時間窗口，還是簡單的按照月份計算

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)時間SLI的

測量指標(biāo)：統(tǒng)計所有成功解決請求，從用戶創(chuàng)建ticket到問題被解決的時間

怎么測量：用ticket自帶的時間戳，統(tǒng)計所有用戶創(chuàng)建的ticket

什么情況下的測量：只包括工作時間，不包含法定假日

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

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

性能：時效性、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、無效數(shù)據(jù)、異常(outlier)數(shù)據(jù)

5. 測量指標(biāo)的可靠度

是否服務(wù)提供者和客戶都認(rèn)可

是否可被獨(dú)立驗證，比如三方機(jī)構(gòu)

客戶端還是服務(wù)器端測量，取樣間隔

錯誤請求是如何計算的

SLO

SLO(服務(wù)等級目標(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)提供者用它來指定系統(tǒng)的預(yù)期狀態(tài);開發(fā)人員編寫代碼來實現(xiàn);客戶依賴于SLO進(jìn)行商業(yè)判斷。SLO里沒有提到，如果目標(biāo)達(dá)不到會怎么樣。

SLO是用SLI來描述的，一般描述為：

比如以下SLO：

每分鐘平均qps > 100k/s

99% 訪問延遲 < 500ms

99% 每分鐘帶寬 > 200MB/s

設(shè)置SLO時的幾個最佳實踐：

指定計算的時間窗口

使用一致的時間窗口(XX小時滾動窗口、季度滾動窗口)

要有一個免責(zé)條款，比如：95%的時間要能夠達(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要高于對外宣稱的SLO

不要超額完成

定期的downtime來使SLO不超額完成

設(shè)置SLO時的目標(biāo)依賴于系統(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?

對于客戶而言，是可預(yù)期的服務(wù)質(zhì)量，可以簡化客戶端的系統(tǒng)設(shè)計

對于服務(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)險控制(當(dāng)資源受限的時候)

故障時更快的反應(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?

需要一個控制系統(tǒng)來：

監(jiān)控/測量SLIs

對比檢測到的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)以滿足目標(biāo)需要

實施目標(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)行以上動作，以形成一個標(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)是怎么測量的，還討論了控制機(jī)制來達(dá)到設(shè)置的目標(biāo)，但是如果因為某些原因，設(shè)置的目標(biāo)達(dá)不到該怎么辦呢?

也許是因為大量的新增負(fù)載;也許是因為底層依賴不能達(dá)到標(biāo)稱的SLO而影響上次服務(wù)的SLO。這就需要SLA出場了。

SLA

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

SLA用一個簡單的公式來描述就是： SLA = SLO + 后果

SLO不能滿足的一系列動作，可以是部分不能達(dá)到

比如：達(dá)到響應(yīng)時間SLO+未達(dá)到可用性SLO

對動作的具體實施

需要一個通用的貨幣來獎勵/懲罰，比如：錢

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

一個簡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的收益之比，是決定該服務(wù)是否應(yīng)該提供4個9的重要依據(jù)。