使用Prometheus和Grafana实现SLO

阅读量：5896 次

发布时间：2019-06-19

本文共 5646 字，大约阅读时间需要 18 分钟。

在线服务的目标应该是提供与业务需求匹配的可用服务。此流程的关键部分应该涉及组织中的不同团队，例如，从业务开发团队到工程团队。

要验证一个服务如何符合这些目标，可以用这些目标可衡量的“成就”来定义“阈值”，例如，“服务必须在99.9%的时间内可用”，这应该与用户的期望和业务连续性相匹配。

SLA, SLO, SLI

已经有很多关于这些话题的文章，如果你不熟悉这些术语，我强烈建议你先阅读谷歌关于SLO(服务级别目标)的SRE书籍中的文章。

总而言之：

SLA：服务水平协议
- 你承诺向用户提供的服务，如果你无法满足，可能会受到惩罚。
- 例如：“99.5%”的可用性。
- 关键词：合同

SLO：服务水平目标
- 你在内部设置的目标，驱动你的测量阈值(例如，仪表板和警报)。通常，它应该比SLA更严格。
- 示例：“99.9%”可用性(所谓的“三个9”)。
- 关键字：阈值

SLI：服务水平指标
- 你实际测量的是什么，以确定你的SLO是否在满足目标/偏离目标。
- 示例：错误率、延迟。
- 关键词：指标。

SLO关注时间

99%的可用性意味着什么？它不是1%的错误率(失败的http响应的百分比)，而是在一个预定义的时间段内可用服务的时间百分比。

$\"image\"$

在上面的仪表板中，服务在1小时内的错误率超过0.1% (y轴为0.001)(错误峰值顶部的红色小水平段)，从而在7天内提供99.4%的可用性：

$\"image\"$

这一结果中的一个关键因素是你选择度量可用性的时间跨度(在上面的示例中为7天)。较短的周期通常用作工程团队(例如SRE和SWE)的检查点，以跟踪服务的运行情况，而较长的周期通常用于组织/更广泛的团队的评审目的。

例如，如果你设置了99.9%的SLO，那么服务可以停机的总时间如下:

30天：43分钟(3/4小时)

90天：129分钟(~2小时)

另一个无关紧要的“数字事实”是，给SLO多加一个9都会产生明显的指数级影响。以下是1年的时间跨度的时间组成部分:

2个9: 99%: 5250min (87hrs或3.64天)

3个9: 99.9%: 525min (8.7hrs)

4个9: 99.99%: 52.5min

5个9：99.999%：5min\u0026lt; -经验法则：5个9 -\u0026gt; 5分钟 (每年)

输入错误预算

在服务可以停机的允许时间内，上面的数字可能被认为是错误预算，你可以从以下事件中消耗这些错误预算:

计划维护

升级失败

意想不到的故障

实际的结果是，上面的任何一种情况都将消耗服务的错误预算，例如，意外的停机可能会耗这些预算，从而在此期间阻止进一步的维护工作。

SLI与度量有关

从上面可以清楚地看出，必须有服务指标来告诉我们什么时候认为服务可用／不可用。有几种方法可以做到这一点：

：速率、错误、持续时间。

：利用率、饱和度和错误。

SLO实现例子

让我们举一个具体的例子，遵循RED方法(因为我们现有的度量标准更适合这种方法)：通过Prmoetheus和Grafana等监控工具创建警报和dashboard，以支持Kubernetes API的目标SLO。

此外，我们将使用jsonnet来构建规则和仪表盘文件，充分利用现有的库助手。

本文不是解释如何在服务超出阈值时发出信号，而是重点介绍如何记录服务处于这种情况的时间。

本文的其余部分将着重于创建Prometheus规则，以根据特定度量标准(SLI)的阈值捕获“超出SLO的时间”。

定义SLO目标和指标阈值

让我们定义一个简单的目标：

SLO：99%，来自以下数据：

SLI：
- 错误率低于1%
- 请求的90%的延迟小于200ms

以jsonnet的形式编写上述规范(参见[spec-kubeapi.jsonnet])：

slo:: {  target: 0.99,  error_ratio_threshold: 0.01,  latency_percentile: 90,  latency_threshold: 200,},

找到SLIs

Kubernetes API公开了几个我们可以作为SLIs使用的指标，使用Prometheus rate()函数在短时间内 (这里我们选择5min，这个数字应该是抓取间隔的几倍)：

apiserver_request_count：按verb、code、resource对所有请求进行计数，例如，获得最近5分钟的总错误率：

sum(rate(apiserver_request_count{code=~\u0026quot;5..\u0026quot;}[5m])) /sum(rate(apiserver_request_count[5m]))

上面的公式放弃了所有的指标标签(例如，通过httpverb、code)。如果你想保留一些标签，你需要做如下的事情：

sum by (verb, code) (rate(apiserver_request_count{code=~\u0026quot;5..\u0026quot;}[5m]))  / ignoring (verb, code) group_leftsum (rate(apiserver_request_count[5m]))

apiserver_request_latencies_bucket：由动词表示的延迟直方图。例如，要获得以毫秒为单位的第90个延迟分位数: (注意，le“less or equal”标签是特殊的，因为它设置了直方图桶间隔，参见[Prometheus直方图和摘要][promql-直方图])：

histogram_quantile (  0.90,  sum by (le, verb, instance)(    rate(apiserver_request_latencies_bucket[5m])  )) / 1e3

在这里了解更多的：

编写Prometheus 规则来记录所选的SLI

是一种非常强大的语言，尽管截至2018年10月，它还不支持范围的嵌套子查询。我们需要能够计算error ratio或超出阈值的latency的time ratio。

另外，作为一种良好的实践，为了减少查询Prometheus资源使用的时间，建议在诸如sum(rate(…))之类的预计算表达式中添加记录规则。

举一个例子来说明如何做到这一点，下面的一组记录规则是从我们的[bitnami-labs/kubernetes-grafana-dashboards]存储库中构建的，用于捕获上面的time ratio：

创建一个新的kubernetes: job_verb- code_instance:apiserver_requests:rate5m指标来记录请求速率：

record: kubernetes:job_verb_code_instance:apiserver_requests:rate5mexpr: |  sum by(job, verb, code, instance) (rate(apiserver_request_count[5m]))

使用上面的度量，为请求的比率（总的）创建一个新的kubernetes: job_verb-code_instance:apiserver_requests:ratio_rate5m ：

record: kubernetes:job_verb_code_instance:apiserver_requests:ratio_rate5mexpr: |  kubernetes:job_verb_code_instance:apiserver_requests:rate5m    / ignoring(verb, code) group_left()  sum by(job, instance) (    kubernetes:job_verb_code_instance:apiserver_requests:rate5m  )

使用上面的比率指标 (对于每个http code和verb)，创建一个新的指标来捕获错误率：

record: kubernetes:job:apiserver_request_errors:ratio_rate5mexpr: |  sum by(job) (    kubernetes:job_verb_code_instance:apiserver_requests:ratio_rate5m      {code=~\u0026quot;5..\u0026quot;,verb=~\u0026quot;GET|POST|DELETE|PATCH\u0026quot;}  )

使用上面的错误率(以及其他类似创建的kubernetes::job:apiserver_latency:pctl90rate5m，用于记录过去5分钟内的第90个百分位延迟，为简单起见，未在上面显示)，最后创建一个布尔指标来记录SLO遵从性情况：

record: kubernetes::job:slo_kube_api_okexpr: |  kubernetes:job:apiserver_request_errors:ratio_rate5m \u0026lt; bool 0.01    *  kubernetes::job:apiserver_latency:pctl90rate5m \u0026lt; bool 200

编写Prometheus警报规则

上述kubernetes::job:slo_kube_api_ok最终指标对于仪表板和SLO遵从性的解释非常有用，但是我们应该警惕上面哪个指标导致SLO消失，如下面的Prometheus警报规则所示：

高API错误率警告：

alert: KubeAPIErrorRatioHighexpr: |  sum by(instance) (    kubernetes:job_verb_code_instance:apiserver_requests:ratio_rate5m      {code=~\u0026quot;5..\u0026quot;,verb=~\u0026quot;GET|POST|DELETE|PATCH\u0026quot;}  ) \u0026gt; 0.01for: 5m

高API延迟警报

alert: KubeAPILatencyHighexpr: |  max by(instance) (    kubernetes:job_verb_instance:apiserver_latency:pctl90rate5m      {verb=~\u0026quot;GET|POST|DELETE|PATCH\u0026quot;}  ) \u0026gt; 200for: 5m

请注意，Prometheus来自已经显示的jsonnet输出，阈值可以分别从$.slo.error_ratio_threshold和$.slo.latency_threshold中评估得出。

以编程方式创建Grafana仪表板

创建Grafana仪表板通常是通过与UI交互来完成的。这对于简单的和/或“标准”仪表板（例如，从)下载）来说是很好的，但是如果你想要实现最好的devops实践，特别是对于，就变得很麻烦了。

社区正在通过各种努力来解决这个问题，例如针对、和的Grafana库。考虑到我们的jsonnet实现，我们选择了。

使用jsonnet来设置SLO阈值和编码Prometheus规则的一个非常有用的结果是，我们可以再次使用它们来构建Grafana仪表板，而不必复制和粘贴它们，也就是说，我们为这些保留了一个真实的来源。

例如:

关于$.slo.error_ratio_threshold，在我们的Grafana仪表板中设置error_ratio_threshold来设置Grafana图形面板的阈值属性，就像我们在前面为Prometheus警报规则所做的那样。

记录metric.rules.requests_ratiorate_job_verb_code.record使用情况(而不是’kubernetes: job_verb_code_instance:apiserver_requests:ratio_rate5m')：

// Graph showing all requests ratiosreq_ratio: $.grafana.common {  title: 'API requests ratios',  formula: metric.rules.requests_ratiorate_job_verb_code.record,  legend: '{
  { verb }} - {
  { code }}',},

你可以在上了解我们的实现情况，下面是生成的仪表板的屏幕截图：