在线服务的目标应该是提供与业务需求匹配的可用服务。此流程的关键部分应该涉及组织中的不同团队，例如，从业务开发团队到工程团队。
要验证一个服务如何符合这些目标，可以用这些目标可衡量的“成就”来定义“阈值”，例如，“服务必须在 99.9%的时间内可用”，这应该与用户的期望和业务连续性相匹配。
SLA, SLO, SLI
已经有很多关于这些话题的文章，如果你不熟悉这些术语，我强烈建议你先阅读谷歌关于 SLO(服务级别目标)的 SRE 书籍中的文章。
总而言之：
SLA：服务水平协议
你承诺向用户提供的服务，如果你无法满足，可能会受到惩罚。
例如：“99.5%”的可用性。
关键词：合同
SLO：服务水平目标
你在内部设置的目标，驱动你的测量阈值(例如，仪表板和警报)。通常，它应该比 SLA 更严格。
示例：“99.9%”可用性(所谓的“三个 9”)。
关键字：阈值
SLI：服务水平指标
你实际测量的是什么，以确定你的 SLO 是否在满足目标/偏离目标。
示例：错误率、延迟。
关键词：指标。
SLO 关注时间
99%的可用性意味着什么？它不是 1%的错误率(失败的 http 响应的百分比)，而是在一个预定义的时间段内可用服务的时间百分比。
在上面的仪表板中，服务在 1 小时内的错误率超过 0.1% (y 轴为 0.001)(错误峰值顶部的红色小水平段)，从而在 7 天内提供 99.4%的可用性：
这一结果中的一个关键因素是你选择度量可用性的时间跨度(在上面的示例中为 7 天)。较短的周期通常用作工程团队(例如 SRE 和 SWE)的检查点，以跟踪服务的运行情况，而较长的周期通常用于组织/更广泛的团队的评审目的。
例如，如果你设置了 99.9%的 SLO，那么服务可以停机的总时间如下:
30 天：43 分钟(3/4 小时)
90 天：129 分钟(~2 小时)
另一个无关紧要的“数字事实”是，给 SLO 多加一个 9 都会产生明显的指数级影响。以下是 1 年的时间跨度的时间组成部分:
2 个 9: 99%: 5250min (87hrs 或 3.64 天)
3 个 9: 99.9%: 525min (8.7hrs)
4 个 9: 99.99%: 52.5min
5 个 9：99.999%：5min< -经验法则：5 个 9 -> 5 分钟 (每年)
输入错误预算
在服务可以停机的允许时间内，上面的数字可能被认为是错误预算，你可以从以下事件中消耗这些错误预算:
计划维护
升级失败
意想不到的故障
实际的结果是，上面的任何一种情况都将消耗服务的错误预算，例如，意外的停机可能会耗这些预算，从而在此期间阻止进一步的维护工作。
SLI 与度量有关
从上面可以清楚地看出，必须有服务指标来告诉我们什么时候认为服务可用／不可用。有几种方法可以做到这一点：
SLO 实现例子
让我们举一个具体的例子，遵循 RED 方法(因为我们现有的度量标准更适合这种方法)：通过 Prmoetheus 和 Grafana 等监控工具创建警报和 dashboard，以支持 Kubernetes API 的目标 SLO。
此外，我们将使用 jsonnet 来构建规则和仪表盘文件，充分利用现有的库助手。
本文不是解释如何在服务超出阈值时发出信号，而是重点介绍如何记录服务处于这种情况的时间。
本文的其余部分将着重于创建 Prometheus 规则，以根据特定度量标准(SLI)的阈值捕获“超出 SLO 的时间”。
定义 SLO 目标和指标阈值
让我们定义一个简单的目标：
SLO：99%，来自以下数据：
SLI：
错误率低于 1%
请求的 90%的延迟小于 200ms
以 jsonnet 的形式编写上述规范(参见[spec-kubeapi.jsonnet])：
找到 SLIs
Kubernetes API 公开了几个我们可以作为 SLIs 使用的指标，使用 Prometheus rate()函数在短时间内 (这里我们选择 5min，这个数字应该是抓取间隔的几倍)：
apiserver_request_count：按
verb、code、resource对所有请求进行计数，例如，获得最近 5 分钟的总错误率：
上面的公式放弃了所有的指标标签(例如，通过 httpverb、code)。如果你想保留一些标签，你需要做如下的事情：
apiserver_request_latencies_bucket：由动词表示的延迟直方图。例如，要获得以毫秒为单位的第 90 个延迟分位数: (注意，le“less or equal”标签是特殊的，因为它设置了直方图桶间隔，参见[Prometheus 直方图和摘要][promql-直方图])：
在这里了解更多的：
编写 Prometheus 规则来记录所选的 SLI
PromQL是一种非常强大的语言，尽管截至 2018 年 10 月，它还不支持范围的嵌套子查询。我们需要能够计算error ratio或超出阈值的latency的time ratio。
另外，作为一种良好的实践，为了减少查询 Prometheus 资源使用的时间，建议在诸如sum(rate(…))之类的预计算表达式中添加记录规则。
举一个例子来说明如何做到这一点，下面的一组记录规则是从我们的[bitnami-labs/kubernetes-grafana-dashboards]存储库中构建的，用于捕获上面的time ratio：
创建一个新的kubernetes: job_verb- code_instance:apiserver_requests:rate5m指标来记录请求速率：
使用上面的度量，为请求的比率（总的）创建一个新的
kubernetes: job_verb-code_instance:apiserver_requests:ratio_rate5m：
使用上面的比率指标 (对于每个 http
code和verb)，创建一个新的指标来捕获错误率：
使用上面的错误率(以及其他类似创建的
kubernetes::job:apiserver_latency:pctl90rate5m，用于记录过去 5 分钟内的第 90 个百分位延迟，为简单起见，未在上面显示)，最后创建一个布尔指标来记录 SLO 遵从性情况：
编写 Prometheus 警报规则
上述kubernetes::job:slo_kube_api_ok最终指标对于仪表板和 SLO 遵从性的解释非常有用，但是我们应该警惕上面哪个指标导致 SLO 消失，如下面的 Prometheus 警报规则所示：
高 API 错误率警告：
高 API 延迟警报
请注意，Prometheus 来自已经显示的 jsonnet 输出，阈值可以分别从$.slo.error_ratio_threshold和$.slo.latency_threshold中评估得出。
以编程方式创建 Grafana 仪表板
创建 Grafana 仪表板通常是通过与 UI 交互来完成的。这对于简单的和/或“标准”仪表板（例如，从https://grafana.com/dashboards )下载）来说是很好的，但是如果你想要实现最好的 devops 实践，特别是对于gitops工作流，就变得很麻烦了。
社区正在通过各种努力来解决这个问题，例如针对jsonnet、python和Javascript的 Grafana 库。考虑到我们的jsonnet实现，我们选择了grafonnet-lib。
使用jsonnet来设置 SLO 阈值和编码 Prometheus 规则的一个非常有用的结果是，我们可以再次使用它们来构建 Grafana 仪表板，而不必复制和粘贴它们，也就是说，我们为这些保留了一个真实的来源。
例如:
关于
$.slo.error_ratio_threshold，在我们的 Grafana 仪表板中设置 error_ratio_threshold 来设置 Grafana 图形面板的阈值属性，就像我们在前面为 Prometheus 警报规则所做的那样。记录
metric.rules.requests_ratiorate_job_verb_code.record使用情况(而不是’kubernetes: job_verb_code_instance:apiserver_requests:ratio_rate5m')：
你可以在dash-kubeapi.jsonnet上了解我们的实现情况，下面是生成的仪表板的屏幕截图：
总结
我们在jsonnet文件夹下的 bitnami-labs/ kubernets-grafana -dashboards 存储库中实现了上述想法。
我们构建的 Prometheus 规则和 Grafana 仪表盘文件来自 jsonnet，如下所示：
[spec-kubeapi.[jsonnet]：尽可能多的数据规范(阈值、规则和仪表板公式)
rules-kubeapi.jsonnet：输出 Prometheus 记录规则和警报
dash-kubeapi.jsonnet：输出 Grafana 仪表盘，通过我们选择的 bitnami_grafana.libsonnet 使用 grafonnet-lib。
自从我们开始这个项目以来，社区已经创建了许多其他有用的 Prometheus 规则。点击 srecon17_americas_slides_wilkinson查看有关这方面的更多信息。如果我们必须从头开始，我们可能会使用kubernetes-mixin和jsonnet-bundler。
暂无签名
分布式云行业实践指南（2023）
业内首个分布式云行业实践方法论、工具箱。
评论 1 条评论