背景
又到一年的 11.11 大促日，最近很多团队邮件上下游确认 SLA，你是不是还没搞明白服务质量 SLA、SLO 等概念？本文通过理论知识以及基于 SLO 告警治理的实践经验分享。详细介绍如何设置 SLO、有效的告警泛滥治理、以及如何根据 SLO 的指标来指导 11.11 大促及优化服务性能和可靠性。
问题（1）
首次接触到了 SLA（服务等级协议）的概念，其中承诺的响应时间是 200 毫秒。而服务接口的 TP99（即 99% 的请求完成时间）超过了 100 毫秒，上游的超时配置却是 2000 毫秒。这之间存在何种联系呢？我感到有些困惑。后来在工作中逐步搞清楚了 SLA 的概念。
问题（2）
年初还有一个疑问一直困扰着我。例如，我负责的系统中的一个 API 接口的可用率是 99.99%，那么在部门中，包含了 N 个系统和 M 个接口，部门的季度可用率是 99.98%，这个数字又是如何计算出来的呢？统计的规则又是什么？我请教了 XXX 同学，给我解惑答疑，非常感谢！
问题（3）
展开剩余43%比如我在 XXX 云购买了 100 台云主机，在 10:00-10:05 这 5 分钟内，有 10 台机器出现故障，导致 API 的对外可用率只有 90%（在这 5 分钟内，总请求数为 1 万，失败的请求数为 1000）。如果一个月 30 天，每天发生一次这样的 5 分钟，那么这可用率到底是多少呢？
带着以上的这些问题，研究了服务质量的指标：SLI（服务水平指标）、SLO（服务水平目标）和 SLA（服务等级协议）。如果你也对上面的问题感兴趣，并且想找到答案，欢迎阅读本文，以下是我的研究成果，供大家参考，如果有不对的地方，还请大家指正。
发布于：湖南省博星优配提示：文章来自网络，不代表本站观点。
