Что такое error budget и зачем он нужен?
- Чем SLI, SLO и SLA отличаются?
- Что делать, когда бюджет ошибок исчерпан?
Бюджет ошибок = 100% − SLO. При SLO 99,9% за 30 дней можно «потратить» ~43 минуты недоступности. Это инструмент решений: бюджет есть — выкатываем смелее, кончился — приоритет надёжности.
- SLI — измеряемая величина (доля успешных запросов быстрее 300 мс)
- SLO — внутренняя цель; SLA — внешний договор с компенсациями, всегда слабее SLO
- Каждая девятка кратно дороже предыдущей — SLO выбирают достаточным, а не максимальным
А ещё Алерты — по скорости прожигания бюджета
Подробно
Термины:
- SLI (индикатор) — что меряем: доля успешных запросов, доля запросов быстрее порога, свежесть данных;
- SLO (цель) — какое значение SLI нужно за окно: «99,9% запросов успешны за 30 дней»;
- SLA (соглашение) — обещание клиентам с последствиями (возврат денег). Его делают слабее SLO, чтобы был запас.
Бюджет ошибок — допустимая «ненадёжность»: 0,1% запросов за месяц или ~43 минуты полной недоступности. Он превращает спор «фичи против стабильности» в арифметику:
- бюджет расходуется медленно — можно выкатывать чаще и рискованнее, проводить эксперименты;
- бюджет кончился — заморозка рискованных изменений, работа над надёжностью, разбор причин.
Почему не 100%: пользователь не отличит 99,99% от 100% из-за своей сети и устройств, а каждая девятка требует кратно больше вложений (резервирование, дежурства, замедление выкаток). SLO выбирают по потребности пользователей.
Алерты строят на скорости прожигания: «если так продолжится, бюджет кончится за двое суток» — это значимо, а одиночный всплеск ошибок — нет.
Пример
SLO 99,9% за 30 дней → бюджет 0,1% ≈ 43 мин недоступности
SLO 99,99% → ≈ 4,3 мин
SLO 99% → ≈ 7,2 чЧто хотят услышать
- Определения SLI, SLO, SLA и их соотношение.
- Расчёт бюджета.
- Бюджет как инструмент решений о выкатках.
- Почему SLO не ставят максимальным.
Частые ошибки
- Путать SLA и SLO.
- Ставить SLO 100% или «как можно выше».
Проверьте себя
Один верный вариант. Подумайте, потом откройте ответ.
Показать варианты и ответ
- ✗Лимит на число ошибок в логах, после которого срабатывает алерт
- ✗Сумма денег, заложенная на компенсации клиентам при нарушении SLA в течение квартала
- ✗Резерв вычислительных мощностей на случай пиковой нагрузки
- ✓Допустимый объём нарушений по SLO: есть бюджет — выкатываем, исчерпан — стоп фичам
Что спросят дальше
- Что такое алерт по скорости прожигания бюджета?
- Почему SLA всегда слабее SLO?
Разбор темы
- Наблюдаемость: метрики, логи, трассировка и SLO
Чем наблюдаемость отличается от мониторинга, три сигнала и что каждый умеет, RED и USE, почему среднее врёт, взрыв кардинальности, SLI/SLO/error budget и алерты на симптомы.
Связанные вопросы
- Дежурных будят алерты «загрузка CPU выше 90%», которые в большинстве случаев ни к чему не приводят. Как правильно перестроить алертинг? Middle
- Почему время ответа измеряют перцентилями, а не средним? Middle
- Пользовательский сценарий последовательно вызывает пять сервисов, доступность каждого 99,9%. Какова примерная доступность сценария и что из этого следует? Middle
Разбор собеседования с sotto
После собеседования sotto разбирает разговор: оценка, каждый вопрос — хорошо, частично или слабо, чего не хватило в ответе и над чем поработать к следующему разу. Первые 30 минут бесплатно.