Metriche, dashboard e SLI/SLO

Raccogliere metriche è solo il primo passo. Per gestire sistemi affidabili dovete trasformare i numeri in dashboard e obiettivi a livello di servizio che riflettano la reale esperienza degli utenti.

Google SRE consiglia di monitorare quattro segnali per ogni servizio: latenza, traffico, errori e saturazione. Coprono la maggior parte dei problemi che interessano gli utenti.

Formati comuni delle metriche: un contatore aumenta soltanto (richieste servite), un gauge sale e scende (memoria in uso) e un istogramma raggruppa i valori in intervalli (durate delle richieste).

I database di serie temporali come Prometheus usano un linguaggio di interrogazione per analizzare le metriche. Qui calcoliamo il tasso di richieste al secondo nell'arco di cinque minuti.

Strumenti come Grafana trasformano le query in pannelli. Una buona dashboard risponde a una domanda a colpo d'occhio: il servizio è in buone condizioni in questo momento?

• Riga superiore: segnali d'oro
• Pannelli di approfondimento sotto
• Intervallo di tempo coerente

Un indicatore del livello di servizio è un valore misurato che riflette la soddisfazione degli utenti, ad esempio la frazione di richieste gestite correttamente e rapidamente.

Un obiettivo del livello di servizio è un traguardo per un SLI durante un determinato intervallo: ad esempio, il 99,9% delle richieste deve avere esito positivo nell'arco di 30 giorni. Definisce che cosa si intende per qualità sufficiente.

Un SLA è una promessa contrattuale fatta ai clienti, spesso accompagnata da penali. Gli SLO sono gli obiettivi tecnici interni, generalmente più rigorosi.

Se il vostro SLO è del 99,9%, il restante 0,1% costituisce il vostro budget di errore, cioè la quota di errori che potete permettervi. Usatela per deploy rischiosi; quando si esaurisce, rallentate e stabilizzate il sistema.

Attivate alert per gli operatori in base a ciò che percepiscono gli utenti, come un'elevata percentuale di errori o risposte lente, non per ogni variazione della CPU. Gli alert basati sui sintomi riducono il rumore e l'affaticamento.

Avere troppe dashboard è dannoso quanto non averne nessuna. Mantenete un piccolo insieme di dashboard affidabili, gestite da responsabili chiari e collegate ai vostri SLO, invece di accumularne decine obsolete.

Ora potete dare un significato concreto al monitoraggio:

• Monitorate i quattro segnali d'oro
• Comprendete contatori, gauge e istogrammi; interrogate le metriche con rate()
• Definite gli SLI (valori misurati) e gli SLO (obiettivi)
• I budget di errore guidano il ritmo dei deploy; create alert sui sintomi

L'affidabilità diventa qualcosa da misurare e gestire, non un risultato da affidare alla speranza.