SLA和运维指标运营

1&＃xff0c;SLA
SLA是Service-Level Agreement的缩写&＃xff0c;意思是服务等级协议&＃xff0c;一般是协议双方做的彼此承诺&＃xff0c;放在运维的领域&＃xff0c;很重要的一个结果指标就是系统的SLA&＃xff0c;这个是技术向业务做的一个承诺。
系统SLA的定制方法一般有两种&＃xff0c;一种是通过时间维度进行测算&＃xff0c;另外一种是通过用户请求状态进行测算。

• 时间维度测算
  公式&＃xff1a;
  
  PS&＃xff1a;如果年度SLA&＃xff0c;则n&＃61;365

  这种计算方式比较常规&＃xff0c;通用&＃xff0c;但真正较真起来&＃xff0c;还是比较麻烦的&＃xff0c;麻烦的地方主要有以下几点&＃xff1a;
  1&＃xff09;&＃xff0c;业务中断怎么判断&＃xff0c;须知一个业务完全中断的场景并不多见&＃xff0c;往往是出现部分业务受到影响。
  2&＃xff09;&＃xff0c;复杂组织场景下&＃xff0c;如何做责任划分&＃xff0c;比如A部门引发的问题&＃xff0c;但B部门的容错性做的也不好&＃xff0c;这种情况A&＃xff0c;B的各自SLA是多少&＃xff1f;
  3&＃xff09;&＃xff0c;时间分片并不是完全等价的&＃xff0c;业务高峰时的一个小时要比业务低谷值钱的多&＃xff0c;如果按照同样的时间去计算&＃xff0c;其实是有失公允的。
  鉴于以上种种原因&＃xff0c;在公司SLA实际计算中&＃xff0c;计算公式会变得非常复杂&＃xff0c;比较常见的一种就是根据业务进行时间换算&＃xff0c;公式为&＃xff1a;
  
  PS&＃xff1a;如果年度SLA&＃xff0c;则n&＃61;365

举例&＃xff1a;
如果一天的业务量是一万单&＃xff0c;业务时出现故障高峰&＃xff0c;持续一个小时&＃xff0c;影响1000单&＃xff0c;那么时间业务影响时间换算为&＃xff1a;1000 / 10000 * 24 &＃61; 2.4个小时&＃xff0c;当天的SLA为 90%&＃xff0c;而非95.8%
这种算法的优点是&＃xff1a;
直观&＃xff0c;计算简单&＃xff0c;业务部门容易理解
缺点是&＃xff1a;
这是个结果指标&＃xff0c;改进指向不明确。

• 用户请求状态测算
  公式&＃xff1a;
  
  举例&＃xff1a;
  如果一个系统&＃xff0c;用户一天请求量为10000&＃xff0c;其中5XX的请求为1000&＃xff0c;那么当天的SLA为90%
  优点&＃xff1a;
  可以有针对性的改进&＃xff0c;只要增加访问成功率即可
  缺点&＃xff1a;
  业务不容易理解&＃xff0c;在什么事请求成功上容易产生分歧

2&＃xff0c;支撑SLA的运维指标
SLA一般我们定义为结果指标&＃xff0c;也就是到最后一刻才知道是否正常&＃xff0c;所以一般需要有一些过程指标进行跟踪&＃xff0c;这里着重介绍一下运维侧指标&＃xff0c;开发侧比较简单&＃xff0c;不做详细介绍

• 一级指标
  一级指标直接承载SLA&＃xff0c;指标好坏&＃xff0c;会对SLA有直接影响
  1&＃xff09;&＃xff0c;故障次数&＃xff0c;这个比较理解&＃xff0c;就是有业务影响的异常次数
  2&＃xff09;&＃xff0c;故障的平均恢复时间&＃xff0c;为了避免某几个故障处理时间过长&＃xff0c;导致指标不能反映真实情况&＃xff0c;一般会采用P90&＃xff0c;P95的故障平均恢复时间
  3&＃xff09;&＃xff0c;N分钟内的异常恢复比例&＃xff0c;N的取值和公司的技术能力和实际情况定&＃xff0c;以故障为例&＃xff0c;一般是30分钟能恢复就已经很不错了
• 二级指标
  二级指标间接承载SLA&＃xff0c;指标好坏会对一级指标有直接影响
  1&＃xff09;&＃xff0c;用户报障比&＃xff0c;有多少故障是用户发现的&＃xff0c;而非监控系统发现的
  2&＃xff09;&＃xff0c;自动化变更占比&＃xff0c;数字证明&＃xff0c;自动化的变更质量要更好一些
  3&＃xff09;&＃xff0c;问题及时解决率&＃xff0c;问题单尤其是故障产生的问题单解决效率
  4&＃xff09;&＃xff0c;事件及时解决率&＃xff0c;事件单及时处理效率
  5&＃xff09;&＃xff0c;告警及时处理率&＃xff0c;这个是把故障控制在萌芽中的很有效手段
  6&＃xff09;&＃xff0c;监控覆盖率&＃xff0c;生产重要的应用和组件的监控覆盖程度

这些指标计算公式比较简单&＃xff0c;这里不赘述。