SRE学习笔记2：衡量系统稳定性的指标

目前业界有两种衡量系统可用性的方式，一个是时间维度，一个是请
求维度，我们先来看这两个维度的计算公式。
这两个公式很简单，我们得深入进去，一一来看。
我们先来看时间维度的系统可用性。用一句话来概括：时长维度，是从故障角度出发对系统
稳定性进行评估。
这类计算方式我们最常见，毕竟你的系统在一段时间里不出现故障，就说明它很稳定嘛！不
过，在真实的使用场景中，怎么样才算是可用时长，什么情况下又是不可用时长，这个是怎
么定义的呢？

时间维度：Availability = Uptime / (Uptime + Downtime)
请求维度：Availability = Successful request / Total request

我们知道，一个人如果发烧了，体温一般会超过 37.5 度，那如果这个人的体温正好达到这
个温度，是不是代表他一定是生病了呢？依据生活经验，我们知道不一定。为什么呢？因为
我们判断一个人是否发烧生病，不是只看这一次、一时的体温，还要看他体温是不是持续超
过 37.5 度。
所以，这里就涉及到一个测量方法和判定方法的问题，包含三个要素：一个是衡量指标，比
如体温就是衡量指标；第二个是衡量目标，达到什么目标是正常，达不到就是异常，低于
37.5 度算正常，超过 37.5 度就是异常，但是单次测量不能说明问题，我们可以多次测量，
比如 6 次中有至少 4 次低于 37.5 度才算正常，转化成比例的话就是 67%；第三个是影响
时长，比如持续超过 12 小时。

对应到系统上，我们也会用一系列的标准和判定逻辑来说明系统是否正常。比如，系统请求
状态码为非 5xx 的比例，也就是请求成功率低于 95%，已经连续超过 10 分钟，这时就要
算作故障，那么 10 分钟就要纳入 Downtime（宕机时间），如果达不到这个标准，就不
算作故障，只是算作一般或偶然的异常问题。
这里同样有三个要素：衡量指标，系统请求状态码；衡量目标，非 5xx 占比，也就是成功
率达到 95%；影响时长，持续 10 分钟。
因此，只有当问题达到一定影响程度才会算作故障，这时才会计算不可用时长，也就是上面
公式中的 Downtime。同时，我们还要求一个周期内，允许的 Downtime，或者说是系统
的“生病时间”是有限的，用这个有限时间来约束系统稳定性。
      针对时长维度的稳定性计算方式的弊端，就是稳定性只与故障发生挂钩。

这就需要第二种衡量方式了，也就是从请求维度来衡量系统可用性。
用一句话来说，请求维度，是从成功请求占比的角度出发，对系统的稳定性进行评估。

 

     请求维度的系统可用性同样包含三个关键要素，第一个衡量指标，请求成功率；第二个衡量
目标，成功率达到 95% 才算系统运行正常；第三个是统计周期，比如一天、一周、一个月
等等，我们是在一个统计周期内计算整体状况，而不是看单次的。
你看，这种方式对系统运行状况是否稳定监管得更为严格，不会漏掉任何一次问题的影响，
因为它对系统整体运行的稳定性判定，不仅仅会通过单次的异常影响进行评估，还会累计叠
加进行周期性的评估。
       到这里，我们就总结出一条至关重要的经验了：故障一定意味着不稳定，但是不稳定，并不
意味着一定有故障发生。 

      在 SRE 实践中，通常会选择第二种，也就是根据成功请
求的比例来衡量稳定性：
Availability = Successful request / Total request

 

      在 SRE 中就是设定稳定性衡量标准的 SLI 和 SLO 的过程。
具体来看下这两个概念。SLI，Service Level Indicator，服务等级指标，其实就是我们选
择哪些指标来衡量我们的稳定性。而 SLO，Service Level Objective，服务等级目标，指
的就是我们设定的稳定性目标，比如“几个 9”这样的目标。
SLI 和 SLO 这两个概念你一定要牢牢记住，接下来我们会反复讲到它们，因为落地 SRE 的
第一步其实就是“选择合适的 SLI，设定对应的 SLO”。
     我们以电商交易系统中的一个核心应用“购物车”为例，给它取名叫做 trade_cart。
trade_cart 是以请求维度来衡量稳定性的，也就是说单次请求如果返回的是非 5xx 的状态
码，我们认为该次请求是成功的；如果返回的是 5xx 状态码，如我们常见的 502 或 503，
我们就判断这次请求是失败的。
但是，这个状态码只能标识单次请求的场景。我们之前讲过，单次的异常与否并不能代表这
个应用是否稳定，所以，我们就要看在一个周期内，所有调用次数的成功率是多少，以此来
确定它是否稳定。比如我们给这个“状态码返回为非 5xx 的比例”设定一个目标，如果大
于等于 99.95%，我们就认为这个应用是稳定的。
在 SRE 实践中，我们用 SLI 和 SLO 来描述。“状态码为非 5xx 的比例”就是 SLI，“大于
等于 99.95%”就是 SLO。说得更直接一点，SLO 是 SLI 要达成的目标。