SRE 方法论之服务质量目标

为了量化客户对服务可靠性的期望，找到客户对可靠性满意的点，我们需要制定针对用户的服务质量目标，并且努力去达到这个质量目标。在这个过程中，我们需要定义一些服务质量指标（SLI）、服务质量目标（SLO），以及服务质量协议（SLA）。这三项分别是指该服务最重要的一些基础指标、这些指标的预期值，以及当指标不符合预期时的应对计划。

一、服务质量术语：SLI、SLO、SLA

指标

服务质量指标（SLI）：服务的某项服务质量的一个具体量化指标。常见的 SLI 包括请求延迟（处理请求所消耗的时）、错误率（请求处理失败的百分比）、系统吞吐量（每秒请求数量）、可用性（服务可用时间的百分比，运维行业经常用 9 的数量来描述可用程度。例如，99%可用性被称为“2 个 9”,99.999%被称为“5 个 9”）。SLI 也可以是一些业务指标，例如用户投诉率之类的。重点是可量化、可确定的。

目标

SLO 是服务质量目标（Objective）：服务的某个 SLI 的目标值，或者目标范围。SLO 的定义是 SLI≤目标值，或者范围下限≤SLI≤范围上限。例如，对于搜索服务来说，用户希望返回结果的速度应该是很“快”的，那么我们可以定义一个 SLO，要求搜索请求的平均延迟小于 100ms。

协议

SLA 是服务质量协议（Agreement）：指服务与用户之间的一个明确的，或者不明确的协议，描述了在达到或者没有达到 SLO 之后的后果。这些后果可以是财务方面的退款或者罚款，也可以是其他类型的后果。区别 SLO 和 SLA 的一个简单方法是问“如果 SLO 没有达到时，有什么后果？”，如果没有定义明确的后果，那么我们是在讨论一个 SLO，而不是 SLA。

二、SLI、SLO、SLA 制定原则

1、以用户体验为中心

服务的服务质量指标有很多，不可能将监控系统中的所有指标都定义为 SLI。只有理解用户对系统的真实需求才能真正决定哪些指标是否有用。比如对于搜索服务，用户通常关心可用性、延迟，以及吞吐量。换句话说：是否能正常处理请求？每个请求花费的时间是多少？多少请求可以被处理？对于存储系统来说，用户会关注延迟、可用性和数据持久性，换句话说：读写数据需要多少时间？我们是否可以随时访问数据？数据是否一段时间内还能被读取？

2、量力而行

资源是有限的，在选择 SLO 时要注意不能过于追求完美。例如 1s 内加载好用户就很满意了，如果非要设置 20ms 内加载完毕、或者成功率为 100%，这些都是很难达到或者要付出很大的成本才行，投入产出比很低。