第 2 部分到第 4 部分看的是工作如何移动:流动得多快,事件如何处理,以及变更如何安全地进行。本部分转向用户实际体验到的结果。一项经常发布、并迅速解决事件的服务,仍可能很慢、在错误的时刻不可用,或不可预测。用户评判服务的标准,是它在他们需要时是否可用,而不是团队如何组织自己。

两种传统在这里汇合。ITIL 实践长期使用服务级别协议、目标和报告,来设定提供方与其客户之间的期望。站点可靠性工程实践,如 Google 的《站点可靠性工程》系列书籍所述,使用服务级别指示器、目标和错误预算,把可靠性变成对照变更节奏的明确的工程取舍。两者是相容的。两者都从用户关心的东西出发,都把它表达为可度量的目标,也都需要诚实地说明目标被达成的频率。

一个反复出现的风险贯穿整个部分。可靠性数字很容易被做得好看:选择一个方便的指示器,排除令人尴尬的时段,或度量组件而不是用户的旅程。出于这个原因,这里的每个主题都说明其度量的时钟和边界,把时间和延迟作为带百分位数的分布来阅读(见主题 1.6,服务指标的统计素养),并把每项度量与一个护栏配对(见主题 1.2,古德哈特定律与指标心理学)。每项指标描述的是服务、团队或系统。没有一项给个人排名,值班度量尤其是为了保护人而存在,不是为了给人打分。

本部分的主题

  • 5.1 SLA、OLA 与 XLA 指标:服务级别协议、运营级别协议和体验级别协议的度量,以及西瓜式报告如何把麻烦藏在绿色仪表板后面,又如何避免。
  • 5.2 SLI、SLO 与错误预算:服务级别指示器和目标、错误预算政策、消耗速率,以及依据用户关心的东西来选择指示器。
  • 5.3 可用性指标:正常运行时间和停机时间的计算、用户加权的可用性、计划内与计划外的中断,以及"几个九"的算术。
  • 5.4 容量与性能指标:利用率、饱和度、延迟百分位数、余量,以及需求预测。
  • 5.5 监控与告警质量指标:告警数量、可行动的告警率、误报、检测覆盖,以及告警疲劳。
  • 5.6 服务连续性指标:测试中达成的恢复时间和恢复点目标、测试频率、演练发现,以及计划的时效性。
  • 5.7 琐务与值班指标:每班的呼叫次数、非工作时间的负荷、琐务占时间的比例,以及可持续的轮班度量。

这些主题如何相互关联

前三个主题构成本部分的核心,因为它们定义承诺以及承诺如何被度量。主题 5.1(见主题 5.1,SLA、OLA 与 XLA 指标)涵盖提供方、内部团队和客户之间的协议,以及使这些协议诚实或误导的报告实践。主题 5.2(见主题 5.2,SLI、SLO 与错误预算)提供工程上的对应物:取自用户体验的指示器、针对它们设定的目标,以及使剩余风险空间可见的错误预算。主题 5.3(见主题 5.3,可用性指标)固定两者都依赖的算术,包括什么算停机,以及哪些用户受到影响。

容量和性能紧随可用性之后。一项在技术上在线、却已饱和或很慢的服务,以简单的正常运行时间数字所遗漏的方式让用户失望。主题 5.4(见主题 5.4,容量与性能指标)提供补充可用性的延迟百分位数和余量度量,其需求预测在目标受到威胁之前给出早期预警。

检测和恢复,决定了用户经历多少失败。主题 5.5(见主题 5.5,监控与告警质量指标)问团队是否迅速、并从值得采取行动的信号中得知问题,这直接关联到第 3 部分中的检测和恢复时间。主题 5.6(见主题 5.6,服务连续性指标)问团队在更大的事情出错时,能否在规定的限度内恢复,并对这一主张进行检验,而不是想当然。

主题 5.7(见主题 5.7,琐务与值班指标)起着其余部分的人的护栏的作用。紧的目标、嘈杂的告警和频繁的事件,都落在背着呼叫器的人身上。每班的呼叫次数和琐务占比,揭示可靠性何时是用不可持续的努力换来的,并联回第 2 部分中的计划外工作度量。主题 5.5 中的告警质量和主题 5.7 中的值班负荷,应当成对阅读,因为糟糕的告警是轮班繁重的常见原因。

最后,主题 5.2 中的错误预算把本部分与第 4 部分中的变更联系起来。当预算健康时,团队可以更自由地发布。当它被用尽时,变更和可靠性工作应当重新平衡。然后,第 6 部分检验达成本部分的目标是否让用户过得更好,这是一份绿色报告本身无法回答的问题。