在衡量應(yīng)用程序的可靠性時(shí)，我們通常使用正常運(yùn)行時(shí)間。正常運(yùn)行時(shí)間是指服務(wù)正常運(yùn)行的時(shí)間。它通常以百分比表示。但是，為了改善用戶體驗(yàn)，必須關(guān)注可用性，包括用戶體驗(yàn)組件。

在本文中，我將闡明可用性和正常運(yùn)行時(shí)間之間的區(qū)別，并指出衡量可靠性的正確方法。

想要了解如何通過提高系統(tǒng)的可觀察性來提高其可靠性？請(qǐng)閱讀我的文章“ SRE：如何通過提高系統(tǒng)的可觀察性來提高其可靠性” 。

什么是正常運(yùn)行時(shí)間？

正常運(yùn)行時(shí)間是指應(yīng)用程序在一段時(shí)間內(nèi)正常運(yùn)行的時(shí)間。這很簡(jiǎn)單。例如，如果您的應(yīng)用程序在過去 30 天內(nèi)沒有任何中斷，則可用性為 100%。如果有一天中斷，則正常運(yùn)行時(shí)間為 96.67%。正常運(yùn)行時(shí)間通常表示為應(yīng)用程序正常運(yùn)行時(shí)間的百分比。 

什么是可用性？

可用性是指應(yīng)用程序正常運(yùn)行以服務(wù)用戶的時(shí)間百分比。請(qǐng)注意，要準(zhǔn)確衡量可用性，我們必須包括用戶體驗(yàn)組件。 

許多組織只是使用正常運(yùn)行時(shí)間來指代可用性。在這種情況下，計(jì)算可用性的公式如下：

您還可以使用考慮平均故障時(shí)間 (MTTF) 和平均修復(fù)時(shí)間 (MTTR) 的公式來衡量可用性。該公式如下。

MTTF 是指故障發(fā)生前經(jīng)過的平均時(shí)間。MTTR 是指系統(tǒng)在發(fā)生故障后恢復(fù)完全運(yùn)行的平均時(shí)間。

從該公式中，您可以輕松得出幾個(gè)觀察結(jié)果：

首先，MTTR 越短，可用性越好，因?yàn)?MTTR 是分母。這就是為什么擁有必要的故障排除工具（包括可靠的端到端可觀察性系統(tǒng)）對(duì)于更高的可用性至關(guān)重要。 

其次，停機(jī)次數(shù)越少（故障頻率越低），可用性就越高。例如，如果您的服務(wù)每天發(fā)生 5 分鐘故障，則您的可用性可以按以下方式計(jì)算：

平均無故障時(shí)間= 24 小時(shí)

平均修復(fù)時(shí)間= 5 分鐘

可用性= 24 / ( 24 + 5/60) = 99.65%

但是，如果您的應(yīng)用程序每月出現(xiàn)一次持續(xù) 5 分鐘的故障：

MTTF = 30 天 = 30 X 24 = 720 小時(shí)

平均修復(fù)時(shí)間= 5 分鐘

可用性= 720 / ( 720 + 5/60 ) = 99.99%

現(xiàn)在您可以認(rèn)識(shí)到減少停機(jī)頻率和縮短維修時(shí)間的重要性。

可用性表

下表顯示了在給定可用性目標(biāo)的一段時(shí)間內(nèi)您的應(yīng)用程序不可用的時(shí)間量。

例如，對(duì)于 99.99% 的可用性（我對(duì)關(guān)鍵任務(wù) Web 應(yīng)用程序的建議），應(yīng)用程序每年最多可以有 52.6 分鐘的停機(jī)時(shí)間。

準(zhǔn)確測(cè)量 MTTF 和 MTTR 可能具有挑戰(zhàn)性。實(shí)際上，可以使用一組結(jié)合用戶體驗(yàn)的明確定義的 SLO（服務(wù)級(jí)別目標(biāo)）來測(cè)量可靠性。現(xiàn)在，讓我們看看您需要測(cè)量什么來提高應(yīng)用程序的可靠性。

我應(yīng)該衡量哪些指標(biāo)？

在可以使用監(jiān)控工具測(cè)量的眾多指標(biāo)中，我們應(yīng)該謹(jǐn)慎選擇那些直接影響用戶體驗(yàn)的指標(biāo)。例如，雖然測(cè)量服務(wù)器的 CPU 利用率可以提供有價(jià)值的故障排除信息，但它不會(huì)揭示用戶正在經(jīng)歷什么。更好的衡量指標(biāo)是用戶體驗(yàn)到的延遲（響應(yīng)時(shí)間）。

在站點(diǎn)可靠性工程中，我們用來推導(dǎo)服務(wù)級(jí)別目標(biāo) (SLO) 的測(cè)量指標(biāo)稱為服務(wù)級(jí)別指標(biāo) (SLI)。我將根據(jù)以下應(yīng)用類型提供良好 SLI 的建議：

SLI（服務(wù)水平指標(biāo)）建議

1. Web 應(yīng)用程序

這些應(yīng)用程序具有 Web 瀏覽器界面，用戶可以與之交互。Web 應(yīng)用程序可能依賴一個(gè)或多個(gè)后端服務(wù)。Web 應(yīng)用程序的一個(gè)示例是人們可以購(gòu)買商品的在線電子商務(wù)網(wǎng)站。此類應(yīng)用程序的 SLI 為：

1. 在 Web 服務(wù)器或負(fù)載均衡器上測(cè)量的成功完成的 HTTP 請(qǐng)求數(shù)（HTTP 狀態(tài)代碼 200 系列）

2. 在 Web 服務(wù)器或負(fù)載均衡器上測(cè)量的Web 請(qǐng)求的延遲（響應(yīng)）時(shí)間（以毫秒為單位）

3. 特定功能的響應(yīng)時(shí)間（以毫秒為單位）。例如，將商品添加到購(gòu)物車、完成購(gòu)買、登錄應(yīng)用程序等。

2. API

這些通常是通過 API 提供特定功能的微服務(wù)。例如，身份驗(yàn)證服務(wù)可以對(duì)通過 Web 瀏覽器登錄的用戶進(jìn)行身份驗(yàn)證。此類工作負(fù)載的 SLI 與 Web 應(yīng)用程序的 SLI 類似。

1. 在負(fù)載均衡器或 API 網(wǎng)關(guān)處測(cè)量的HTTP 500 錯(cuò)誤（內(nèi)部服務(wù)器錯(cuò)誤）的數(shù)量

2. 在負(fù)載均衡器或 API 網(wǎng)關(guān)處測(cè)量的成功完成的 HTTP 請(qǐng)求數(shù)（HTTP 狀態(tài)代碼 200 系列）

3. 在負(fù)載均衡器或 API 網(wǎng)關(guān)處測(cè)量的API 請(qǐng)求的延遲（響應(yīng)）時(shí)間（以毫秒為單位）

3. 后端應(yīng)用程序

這些是處理數(shù)據(jù)的后端應(yīng)用程序。一個(gè)典型的例子是文件傳輸應(yīng)用程序，它在系統(tǒng)之間（通常是兩家公司之間）移動(dòng)文件。這里推薦的 SLI 是：

1. 每天文件傳輸失敗的次數(shù)

2. 每個(gè)文件的失敗記錄百分比。如果適用，請(qǐng)考慮對(duì)失敗類型進(jìn)行分類。例如，失敗可能是由于數(shù)據(jù)格式錯(cuò)誤、目標(biāo)不正確、數(shù)據(jù)驗(yàn)證檢查等造成的。

3. 數(shù)據(jù)的平均處理時(shí)間和 P95 處理時(shí)間（第 95 個(gè)百分位數(shù)）

4.桌面應(yīng)用程序

這些是運(yùn)行在用戶桌面上的胖客戶端應(yīng)用程序。它們通常連接到后端系統(tǒng)來訪問數(shù)據(jù)。這里推薦的 SLI 是：

1. 應(yīng)用程序啟動(dòng)時(shí)間： 以毫秒為單位

2. 特定功能的延遲： 例如文件上傳功能。

3. 客戶端錯(cuò)誤的數(shù)量

4. 緩存命中率：以百分比衡量

5.大數(shù)據(jù)處理

這些后端應(yīng)用程序處理大量數(shù)據(jù)（每天數(shù) TB），可能用于機(jī)器學(xué)習(xí)用例。它們也可以是解析、過濾和傳輸數(shù)據(jù)的數(shù)據(jù)管道。以下是這些類型應(yīng)用程序的 SLI：

1. 數(shù)據(jù)丟失，以記錄的百分比衡量

2. 重試失敗的次數(shù)

3. 數(shù)據(jù)解析失敗

4. 隊(duì)列填充率（表示消息/記錄開始排隊(duì)）

6. 監(jiān)控平臺(tái)

這些是監(jiān)控應(yīng)用程序的可觀察性平臺(tái)。當(dāng)然，我們需要測(cè)量這些系統(tǒng)的可靠性，以確保它們?cè)谛枰獣r(shí)可用。以下是推薦的 SLI：

1. 可用性：以用戶可以查看指標(biāo)并成功執(zhí)行查詢的時(shí)間百分比來衡量

2. 搜索和儀表板加載的響應(yīng)時(shí)間： 您應(yīng)該使用合成探測(cè)器來測(cè)量它，以便將其與已知的響應(yīng)時(shí)間進(jìn)行比較。

3. 數(shù)據(jù)新鮮度： 指標(biāo)被納入平臺(tái)的速度

4. 數(shù)據(jù)準(zhǔn)確性： 同樣，合成探測(cè)器可以幫助測(cè)量數(shù)據(jù)提取和檢索的準(zhǔn)確性。

結(jié)論

可靠性是任何成功應(yīng)用的關(guān)鍵屬性。要保持高水平的可靠性，必須始終測(cè)量正確的指標(biāo)。雖然簡(jiǎn)單的正常運(yùn)行時(shí)間指標(biāo)可以提供一些可靠性的感覺，但要準(zhǔn)確測(cè)量可靠性，必須測(cè)量直接影響用戶體驗(yàn)的指標(biāo)。為此，您必須定義與您的應(yīng)用程序類型及其服務(wù)的特定功能相匹配的服務(wù)級(jí)別目標(biāo)和服務(wù)級(jí)別指標(biāo)。