SLIとSLOとは?利用者の体験から信頼性の指標と目標を決める

SLIはサービスの状態を測る指標、SLOはその指標に対して決める目標です。たとえば『注文要求のうち正常に完了した割合』がSLIで、『直近30日で99.9%以上』がSLOです。大切なのは数値を先に選ぶことではなく、利用者のどの体験を、どの範囲で測るかを定めることです。

指標・目標・契約を分ける

Google SREのSLO実装ガイドは、利用者に関係する信頼性の目標と、よいイベントを対象イベントで割る指標の作り方を説明しています。

用語 役割 説明用の例
SLI 実際の状態を測る 成功した注文要求数÷対象要求数
SLO 目標を決める 30日間で99.9%以上
SLA サービスに関する合意・契約を扱う 対象、算定条件、未達時の取扱いを定める

SLOを決めても、それだけで顧客との契約になるわけではありません。また、CPU使用率は原因の調査に役立っても、利用者が注文できたかを直接表す指標ではありません。利用者の操作から考え、その状態を測れる記録を探します。

分母と『よいイベント』を定義する

架空の注文APIで、業務上の入力チェックを通過した注文要求を対象とします。成功は『注文が一度だけ登録され、完了応答が返ったこと』と定めたとします。ここでは形式が不正な要求を除く設計例ですが、除外範囲はサービスの目的に応じて決めます。

HTTPの成功コードだけで数えると、応答は成功でも業務上の注文が作られていない問題を見落とす可能性があります。一方、サーバーのログだけでは、サーバーへ届かなかった通信を捉えられない場合があります。どこで測るかによる限界も明記します。

遅延を見るなら、『平均応答時間』だけでなく『対象要求のうち1秒以内に完了した割合』という定義もできます。成功率と遅延を別々に追うか、成功し一定時間以内に完了したことを一つの条件にするかを決め、集計後に都合よく条件を変えないようにします。

エラーバジェットを計算する

以下は説明用の計算です。30日間の対象要求が100万件で、SLOを99.9%以上とすると、許容する悪いイベントの割合は0.1%です。100万×0.001で、同じ対象集合に対するエラーバジェットは1,000件になります。

悪いイベントが400件ならSLIは99.96%、バジェットの消費は40%、残りは600件です。対象要求数が変われば件数も変わるので、これは固定した100万件に対する計算であり、常に1,000件まで許されるという意味ではありません。

要求数で定めたバジェットを、そのまま停止時間へ換算しないでください。時間によって要求量が違えば、同じ10分の停止でも失敗件数が違うためです。時間ベースで測る場合は、測定単位と成功条件を別に定義します。

測定期間と集計の偏りを見る

月初から月末までの集計と、常に直近30日を使う集計では、同じ障害でもいつ評価から外れるかが異なります。目的に合う期間を決め、報告書にも明記します。

全体平均が目標を満たしていても、特定の機能や地域の利用者だけが困っている場合があります。全体のSLOをむやみに増やすのではなく、重要な操作を選んで内訳を見ます。計測が途切れた期間を無条件に成功へ数えず、データ欠測として扱う方法も決めます。

未達時に変える行動まで合意する

SLOは報告する数字だけにせず、改善の優先順位を決めるために使います。例えばバジェットの消費が速い場合は、新機能の展開範囲を絞り、原因調査や復旧手順の改善を優先する案があります。具体的な対応は業務と関係者で合意します。

目標は現状の数値を丸写しするだけでも、根拠なく高く置くだけでも十分ではありません。利用者が必要とする水準、改善に必要な費用、維持できる体制を比べ、計測結果から見直します。まず一つの重要な操作について、分母、成功条件、期間、計測場所を書き出してください。運用基盤に関する当社の対応領域はインフラ・クラウド技術支援をご覧ください。

記事一覧へ戻る

ITの困りごとを、
まずはご相談ください。

何から手をつけるか決まっていない段階でも構いません。ご相談内容に応じて、担当者からご連絡します。

まずは相談する

採用へのご応募は採用エントリーからお願いします。