SLA monitoring: jak měřit a dokázat uptime proti SLA

Co je SLA monitoring?

SLA (service level agreement, smlouva o úrovni služeb) je smlouva, která jmenuje konkrétní cíl dostupnosti, obvykle měsíční procento uptime jako 99,9 %, a stanoví, co se stane při jeho nesplnění: typicky kredit na službu, někdy právo smlouvu vypovědět. SLA monitoring je průběžná měřicí práce pod touto smlouvou: kontrolovat slíbený endpoint zvenčí sítě poskytovatele, zaznamenávat každý výpadek s časovou značkou a sčítat výsledek do procenta, na kterém smlouvě záleží. Bez tohoto nezávislého záznamu se otázka, zda bylo SLA splněno, zvrhne na to, čím číslům věříte víc.

Obě strany mají důvod ho provozovat. Zákazník chce důkaz dřív, než podá reklamaci na kredit. Poskytovatel chce mít vlastní poctivé číslo dřív, než problém zachytí monitoring zákazníka jako první.

SLA vs SLO vs SLI

Tyto tři pojmy se používají volně, ale popisují tři různé věci, v tomto pořadí: měření, cíl, slib.

Praktický test: pokud nesplnění čísla nikde nemá zapsaný žádný důsledek, je to SLO, ne SLA.

Co uptime SLA vlastně dovoluje

Každá desetina procenta znamená víc, než by se na první pohled zdálo. Tady je, co každý běžný stupeň SLA dovolí, než dojde k jeho porušení, pro nepřetržitý 30denní měsíc a 365denní rok:

Skok z 99,9 % na 99,99 % zkrátí povolený výpadek o 90 %, z asi 43 minut za měsíc na asi 4 minuty. Vzorec, ze kterého se to počítá, a odůvodnění každého stupně najdete v návodu jak vypočítat uptime.

Co měřit, aby číslo obstálo ve sporu

• Kontrolujte zvenčí sítě poskytovatele, a z víc než jedné lokality. Kontrola, která začíná i končí na infrastruktuře, kterou testuje, nevidí výpadek na úrovni sítě, který tuto infrastrukturu izoluje od internetu.
• Přizpůsobte interval kontroly stupni SLA. Pětiminutový interval nedokáže spolehlivě dokázat ani vyvrátit cíl 99,99 %, protože celá měsíční tolerance je menší než jeden cyklus kontroly.
• Vyžadujte potvrzení z druhé lokality, než výpadek započítáte. Vlastní síťový výpadek jedné lokality není výpadkem poskytovatele; incident, který se otevře, jen když se shodne víc lokalit, drží tento šum mimo výsledné číslo.
• Vylučujte jen ta okna údržby, která SLA skutečně dokumentuje. Neohlášená údržba se stále počítá jako výpadek; okno, na kterém se obě strany předem dohodly, ne.
• Měřte přesně ten endpoint, který smlouva jmenuje, ne health-check cestu, která odpoví 200 bez ohledu na to, jestli skutečná služba funguje.
• Uplatňujte práh doby odezvy SLA, pokud ho má. Některé smlouvy definují "výpadek" jako odpověď pomalejší, než je stanovená doba, ne jen jako nedostupnost.
• Uchovávejte syrový log kontrol, ne jen sečtené procento. Spor potřebuje časové značky, stavové kódy a délky trvání, ne jedno číslo vytažené z tabulky.

Jak nastavit SLA monitoring krok za krokem

1. Zapište si přesný endpoint, metriku (uptime, dobu odezvy, nebo obojí) a měřicí okno, které SLA uvádí. Kontrola proti špatné URL nebo špatnému časovému pásmu vyprodukuje číslo, které nikdo nemůže použít.
2. Nastavte interval kontroly dost krátký pro stupeň, který dokazujete. Jako pravidlo ho držte hluboko pod nejmenším výpadkem, který cíl ještě dovoluje, takže cíl 99,9 % potřebuje interval v minutách, ne v desítkách minut.
3. Spouštějte kontroly z několika nezávislých lokalit mimo vlastní infrastrukturu poskytovatele, rozložených po regionech, kde na tom záleží. HostTracker kontroluje z více než 300 kontrolních bodů ve 158 městech, takže si můžete vybrat lokality blízko tam, kde sedí vaši skuteční uživatelé.
4. Zapněte pravidlo pro opakovanou kontrolu nebo potvrzení, aby selhání jedné lokality muselo potvrdit i jiná, než se započítá jako výpadek.
5. Pokud SLA stanoví práh doby odezvy, nastavte ho jako podmínku selhání, ne jen jako pomalý, ale stále vyhovující výsledek.
6. Přidejte okna údržby, na kterých se obě strany dohodly, přímo do konfigurace monitoringu, aby se automaticky vylučovala z čísla uptime, místo ručně až při sestavování reportu.
7. Naplánujte opakovaný report o uptime ve stejném rytmu, v jakém se SLA měří, týdně nebo měsíčně, aby se číslo nikdy nesestavovalo poprvé až uprostřed sporu.

Jak reportovat SLA

Naplánovaný report uzavírá smyčku mezi měřením a dokazováním. Týdenní nebo měsíční report o uptime, posílaný automaticky tomu, kdo vztah na obou stranách vlastní, promění syrový log kontrol na číslo, na kterém je SLA postavené, ještě předtím, než se ho kdokoli musí zeptat. Veřejná stavová stránka dělá totéž pro kohokoli mimo tento distribuční seznam: sdílený, časově opatřený záznam o dostupnosti a incidentech, o kterém nemusí ani jedna strana věřit té druhé na slovo. Podívejte se na co stavová stránka vlastně ukazuje, pokud ji ještě nemáte nastavenou. Jakmile máte výsledky kontrol za dané období, jejich dosazení do kalkulačky uptime vám dá procento bez ručního počítání.

Časté chyby

• Měření zevnitř vlastní sítě. Kontrola, která začíná i končí na infrastruktuře, kterou vlastníte, nevidí výpadek, který postihuje jen to, jak se k vám dostane zbytek internetu.
• Průměrování uptime přes víc služeb nebo regionů. Jedno sloučené číslo dokáže skrýt jednu službu, která porušila SLA, zatímco jiné vytáhly průměr zpátky nahoru.
• Počítání jen úplných výpadků. Pokud má SLA doložku o době odezvy, služba, která odpovídá, ale je mnohem pomalejší než práh, je v porušení také, přestože nikdy úplně nespadla.
• Provoz pětiminutového intervalu proti cíli 99,99 %. Matematika nevychází: 99,99 % dovoluje asi 4 minuty výpadku za měsíc, méně než jeden cyklus kontroly, takže interval nedokáže rozhodnout, zda byl cíl splněn.

Časté otázky

Jak se počítá uptime SLA?

Stejně jako se počítá jakékoli procento uptime: (celkový čas mínus výpadek) děleno celkovým časem, krát 100. To, co je u SLA specifické, je, jaký výpadek se počítá: jen výpadky proti přesnému endpointu a oknu, které smlouva jmenuje, s dohodnutou údržbou vyloučenou. Úplný vzorec a propočítané příklady najdete v návodu jak vypočítat uptime.

Počítá se údržba proti SLA?

Jen pokud nebyla předem dohodnutá. Většina SLA vylučuje plánovanou údržbu, kterou obě strany předem zdokumentovaly, ale výpadek z neohlášené změny, nebo z nouzové opravy dodatečně označené jako "údržba", se stále počítá. Výjimka platí pro ohlášené okno, ne pro to slovo samotné.

Co je dobré uptime SLA?

99,9 % je běžný základ pro komerční službu, který dovolí asi 43 minut výpadku za měsíc. 99,95 % je rozumný středně vysoký závazek a 99,99 % je vážný závazek, který nechává jen pár minut za měsíc, těžko dosažitelný bez redundantní infrastruktury a disciplinované údržby. Slib 100 % berte jako marketingové tvrzení, ne inženýrské; tabulka výše ukazuje proč.

Jak si nárokovat kredity ze SLA?

Obecný postup je u různých poskytovatelů podobný: shromážděte vlastní důkazy z monitoringu za postižené období (časové značky, kontrolovaný endpoint, potvrzený výpadek), porovnejte je s vlastní stavovou stránkou nebo záznamem o incidentu poskytovatele a podejte reklamaci přes podporu poskytovatele v okně, které stanoví jeho smlouva, často daný počet dní po incidentu. Ověřte si přesnou lhůtu a požadované důkazy v SLA dokumentu konkrétního poskytovatele, protože se tyto detaily liší a mohou rychle vypršet.

Dokáže jedna monitorovací lokalita sama o sobě prokázat dodržení SLA?

Spolehlivě ne. Jedna lokalita nedokáže odlišit skutečný výpadek od problému na vlastní síťové cestě k poskytovateli, což je přesně ten druh falešně pozitivního výsledku, který spor o SLA nepřežije. Potvrzení z víc než jedné nezávislé lokality, než se výpadek započítá, je to, co dělá výsledné číslo obhajitelným.