深度剖析什么是 SLI、SLO和SLA？

逃离我推掉我的手 2022-05-16 23:08 571阅读 0赞

## 前言 ##

**SLO和SLA是大家常见的两个名词：服务等级目标和服务等级协议。**

云计算时代，各大云服务提供商都发布有自己服务的SLA条款，比如Amazon的EC2和S3服务都有相应的SLA条款。这些大公司的SLA看上去如此的高达上，一般是怎么定义出来的呢？本文就尝试从技术角度解剖一下SLA的制定过程。

说SLA不能不提SLO，这个是众所周知的，但是还有一个概念知道的人就不多了，那就是SLI（Service Level Indicator），**定义一个可执行的SLA，好的SLO和SLI是必不可少的**。

再有就是SLI/SLO/SLA都是和服务联系在一起的，脱离了服务这三个概念就没有什么意义了。

## Service ##

**什么是服务？**

简单说就是一切提供给客户的有用功能都可以称为服务。

服务一般会由服务提供者提供，提供这个有用功能的组织被称为服务提供者，通常是人加上软件，软件的运行需要计算资源，为了能对外提供有用的功能软件可能会有对其他软件系统的依赖。

客户是使用服务提供者提供的服务的人或公司。

## SLI ##

SLI是经过仔细定义的测量指标，它根据不同系统特点确定要测量什么，SLI的确定是一个非常复杂的过程。

**SLI的确定需要回答以下几个问题：**

1.  要测量的指标是什么？
2.  测量时的系统状态？
3.  如何汇总处理测量的指标？
4.  测量指标能否准确描述服务质量？
5.  测量指标的可靠度(trustworthy)？

### 1. 常见的测量指标有以下几个方面： ###

*  性能
    
     *  响应时间(latency)
     *  吞吐量(throughput)
     *  请求量(qps)
     *  实效性(freshness)
 *  可用性
    
     *  运行时间(uptime)
     *  故障时间/频率
     *  可靠性
 *  质量
    
     *  准确性(accuracy)
     *  正确性(correctness)
     *  完整性(completeness)
     *  覆盖率(coverage)
     *  相关性(relevance)
 *  内部指标
    
     *  队列长度(queue length)
     *  内存占用(RAM usage)
 *  因素人
    
     *  响应时间(time to response)
     *  修复时间(time to fix)
     *  修复率(fraction fixed)

**下面通过一个例子来说明一下：**hotmail的downtime SLI

*  错误率(error rate)计算的是服务返回给用户的error总数
 *  如果错误率大于X%，就算是服务down了，开始计算downtime
 *  如果错误率持续超过Y分钟，这个downtime就会被计算在内
 *  间断性的小于Y分钟的downtime是不被计算在内的。

### 2. 测量时的系统状态，在什么情况下测量会严重影响测量的结果 ###

*  测量异常(badly-formed)请求，还是失败(fail)请求还是超时请求(timeout)
 *  测量时的系统负载（是否最大负载）
 *  测量的发起位置，服务器端还是客户端
 *  测量的时间窗口（仅工作日、还是一周7天、是否包括计划内的维护时间段）

### 3. 如何汇总处理测量的指标？ ###

*  计算的时间区间是什么：是一个滚动时间窗口，还是简单的按照月份计算
 *  使用平均值还是百分位值，比如：某服务X的ticket处理响应时间SLI的
 *  测量指标：统计所有成功解决请求，从用户创建ticket到问题被解决的时间
 *  怎么测量：用ticket自带的时间戳，统计所有用户创建的ticket
 *  什么情况下的测量：只包括工作时间，不包含法定假日
 *  用于SLI的数据指标：以一周为滑动窗口，95%分位的解决时间

### 4. 测量指标能否准确描述服务质量？ ###

*  性能：时效性、是否有偏差
 *  准确性：精度、覆盖率、数据稳定性
 *  完整性：数据丢失、无效数据、异常(outlier)数据

### 5. 测量指标的可靠度 ###

*  是否服务提供者和客户都认可
 *  是否可被独立验证，比如三方机构
 *  客户端还是服务器端测量，取样间隔
 *  错误请求是如何计算的

## SLO ##

**SLO(服务等级目标)**指定了服务所提供功能的一种期望状态。SLO里面应该包含什么呢？所有能够描述服务应该提供什么样功能的信息。

服务提供者用它来指定系统的预期状态；开发人员编写代码来实现；客户依赖于SLO进行商业判断。SLO里没有提到，如果目标达不到会怎么样。

**SLO是用SLI来描述的，一般描述为：**  
比如以下SLO：

*  每分钟平均qps > 100k/s
 *  99% 访问延迟 < 500ms
 *  99% 每分钟带宽 > 200MB/s

**设置SLO时的几个最佳实践：**

*  指定计算的时间窗口
 *  使用一致的时间窗口(XX小时滚动窗口、季度滚动窗口)
 *  要有一个免责条款，比如：95%的时间要能够达到SLO

如果Service是第一次设置SLO，可以遵循以下原则

*  测量系统当前状态
    
     *  设置预期(expectations)，而不是保证(guarantees)
     *  初期的SLO不适合作为服务质量的强化工具
 *  改进SLO
    
     *  设置更低的响应时间、更改的吞吐量等
 *  保持一定的安全缓冲
    
     *  内部用的SLO要高于对外宣称的SLO
 *  不要超额完成
    
     *  定期的downtime来使SLO不超额完成

设置SLO时的目标依赖于系统的不同状态(conditions)，根据不同状态设置不同的SLO：**总SLO = service1.SLO1 *weight1 + service2.SLO2 *weight2 + …**

为什么要有SLO，设置SLO的好处是什么呢？

*  对于客户而言，是可预期的服务质量，可以简化客户端的系统设计
 *  对于服务提供者而言
    
     *  可预期的服务质量
     *  更好的取舍成本/收益
     *  更好的风险控制(当资源受限的时候)
     *  故障时更快的反应，采取正确措施

SLO设好了，怎么保证能够达到目标呢？  
需要一个控制系统来：

*  监控/测量SLIs
 *  对比检测到的SLIs值是否达到目标
 *  如果需要，修证目标或者修正系统以满足目标需要
 *  实施目标的修改或者系统的修改

该控制系统需要重复的执行以上动作，以形成一个标准的反馈环路，不断的衡量和改进SLO/服务本身。

我们讨论了目标以及目标是怎么测量的，还讨论了控制机制来达到设置的目标，但是如果因为某些原因，设置的目标达不到该怎么办呢？

也许是因为大量的新增负载；也许是因为底层依赖不能达到标称的SLO而影响上次服务的SLO。这就需要SLA出场了。

## SLA ##

SLA是一个涉及2方的合约，双方必须都要同意并遵守这个合约。当需要对外提供服务时，SLA是非常重要的一个服务质量信号，需要产品和法务部门的同时介入。

SLA用一个简单的公式来描述就是： **SLA = SLO + 后果**

*  SLO不能满足的一系列动作，可以是部分不能达到
    
     *  比如：达到响应时间SLO+未达到可用性SLO
 *  对动作的具体实施
    
     *  需要一个通用的货币来奖励/惩罚，比如：钱