SRE团队KPI制定思路

总目标“可用性”带来的问题

对于SRE来说，他们的终极KPI是可用性。但是，这个KPI对于SRE团队来说没有任何的指导意义。就好比篮球比赛上的目标是100分，它也不会教你的团队如何在一场比赛中拿到100分。我们应该思考的是如何在篮球比赛拿分，是通过提升个人能力，还是通过战术等。

说到底，不论是篮球分数，还是可用性，它们都是结果性指标，是无法指导我们的过程的。我们应该把精力放在过程指标，而不是结果指标。球场上的球员紧盯着计分牌对于得分是起不了任何作用的。

所以，我们需要对“高可用”这个指标进行更深入的思考才能确定我们真正的KPI。

更深入思考可用性

深入思考可用性，你遇到的第一个问题是，对于服务A，可用性指的是什么？如果没有定义，就无法谈“达到可用性”。

那么可用性指的是什么呢？可用性通常和业务指标有关。因为业务目标是软件存在的意义。比如对于语音相关的服务，它的可用性指标可以是：语音交互失败数、语音交互耗时等。

达到可用性目标的方法

不论可用性对于业务指标的定义是什么，个人认为都可以通过以下方法达到：

1. 减少影响可用性的因素

2. 减少解决可用性问题的时间

方法1：减少影响可用性的因素

要回答这个问题，我们需要先确定有哪些因素导致服务不可用。目前能看到的因素有：

1. 性能因素，包括应用级别、基础设施级别等；

2. 容量因素，包括负载均衡连接数及带宽、数据库容量等；

3. 安全因素，包括DDOS等；

4. 外部依赖因素，包括依赖的第三方服务挂了等；

5. 人为因素，包括错误的配置、业务逻辑错误等；

6. 不可抗拒因素，包括光缆被挖断、水泡机房等。

方法2：减少解决可用性问题的时间

简单地说就是：减少发现故障的时间和减少修复故障的时间。

可用性KPI制定具体步骤

根据“可用性”的思考，个人认为可用性KPI的制定的具体步骤如下：

1. SRE与各业务团队共同确定以什么业务指标作为可用性指标；

2. 监控该可用性指标，并保证全年数据；

3. 监控所有的影响可用性的因素、并制定应对方案；

4. 制定故障发现与恢复记录机制；

5. 列出所有导致故障发现时间延长的因素，并解决；

6. 列出所有导致可用性恢复时间延长的因素，并解决。
   

欢迎关注：持续交付实践指南

过往好文推荐：

SRE问题排查四步法——以建立HTTPS连接失败问题排查为例