SLO/SLIとは｜2秒以内なら94.28%、1秒以内にすると65.11%まで落ちた

2秒以内なら94.28%、1秒以内にすると65.11%まで落ちた

同じ応答時間の分布に対して、目標の線を変えて数えました。線の位置で結果が大きく動きます。

SLO / SLI の目標値をどこに置くかで何が変わるのかを、実際に走らせて数えました。使ったのは裾の重い応答時間10万件です。

同じ分布に対して、1秒から5秒まで線の位置を変えて、収まった割合を数えています。

for (const t of [1000, 1500, 2000, 3000, 5000]) {
  const ok = lat.filter((x) => x <= t).length;
  const rate = (ok / N) * 100;
  // rate が、その目標に収まった割合
}

目標（この時間以内）  収まった割合  超えた件数
     1000ミリ秒        65.11%     34,887件
     1500ミリ秒        86.52%     13,485件
     2000ミリ秒        94.28%      5,716件
     3000ミリ秒        98.35%      1,647件
     5000ミリ秒        99.42%        581件

上の表を見てください。2秒以内という線なら94.28%が収まります。1秒にすると65.11%です。

線の位置で世界が変わる

1秒と2秒の差は倍ですが、収まる割合は65.11%と94.28%です。超える件数は34,887件と5,716件で、6倍の開きがあります。

つまり目標の値を決めることは、対処すべき件数を決めることです。1秒を目指すなら3万件を相手にします。

水準の側も1桁ずつ動く

目標      許される割合  月10万件での件数  30日での停止時間
99%              1.00%            1,000件             7.2時間
99.5%            0.50%              500件             3.6時間
99.9%            0.10%              100件               43分
99.95%           0.05%               50件               22分
99.99%           0.01%               10件                4分

99%なら月に7.2時間まで止まってよいことになります。99.99%だと4分しかありません。

9を1つ増やすたびに、許される時間は10分の1になります。気づいて直すまでの時間が、そのまま入る枠です。

SLOとSLIは何が違うのか

SLIは測る物差し、SLOはその物差しで引く線です。物差しを決めないと、線も引けません。

SLO / SLI は対になった言葉です。SLIが測る物差し、SLOがその物差しで引く線になります。

測る物差し

Googleの資料は、SLIは提供される水準のある側面についての、注意深く定義された量的な尺度であるとしています。

前の節で使った「応答時間」がこれにあたります。数えられる形になっていることが条件です。

線を引く

同じ資料は、SLOはSLIで測られる水準に対する目標の値、または値の範囲であるとしています。

前の節でいえば「2秒以内」が線です。その線で94.28%という数字が出て初めて、判断ができるようになります。

約束としてのSLA

外部との約束はさらに別です。資料はSLAは、そこに含まれるSLOを満たすこと、または満たさないことの結果を含む、利用者との明示的または暗黙の契約であるとしています。

つまり結果が伴うかどうかが分かれ目です。社内の目標には結果が伴わないことが多く、その場合はSLOにとどまります。

いくつ持つか

同じ資料は、指標が多すぎると大事なものに適切な注意を払うのが難しくなり、少なすぎると仕組みの重要な挙動が調べられないまま残るとしています。

SLOを決めるときによくある失敗

いまの実力をそのまま目標にすることです。維持するために無理を続ける形になります。

SLO / SLI を決めるとき、いちばん手軽なのはいまの数字をそのまま目標にすることです。ここに落とし穴があります。

いまの実力から決めない

Googleの資料は、仕組みの利点と限界を理解することは欠かせないとしたうえで、考えずに値を採ると、目標を満たすために並外れた努力を要する仕組みを支え続けることになりかねないと述べています。

前の節の分布でいえば、いまが94.28%だから94%を目標にするという決め方です。改善の余地も、下げてよい余地も見えなくなります。

必要な水準から決める

1. 利用者が困る条件を書き出す。何秒待たされると諦めるか
2. それを測れる形に直す。ここがSLIになる
3. いまの分布を測る。線を引く候補を並べる
4. 許される停止時間を確かめる。守れる体制があるか

4番目まで進めてください。99.99%を掲げても、気づくまでに10分かかるなら守れません。許されるのは4分です。

集計を複雑にしない

指標の計算を凝りすぎると、逆に見えなくなります。資料もSLIの込み入った集計は、仕組みの性能の変化を覆い隠すことがあり、理解するのも難しくなるとしています。

前の節で使ったのは2秒以内に収まった件数の割合だけです。単純ですが、線を動かした効果ははっきり出ました。