北极星系统SLA管理实践
SLA管理进阶
目标：基于北极星开展业务线级别的SLA运营管理
本进阶工作本质上是建立一套稳定性的运营机制，以达到让稳定性保障工作得到有效支持和可持续推进。能够完成北极星指标的梳理、配置、报警，达到及时发现故障，驱动起故障处理流程的效果，就实现了北极星系统的核心目标。该进阶工作建议在达成以上效果后再进行。
步骤一：概念统一 故障等级通常涉及几个类似和容易混淆的概念，如故障、异常、事故、事件、问题，最好在企业内部先统一这些概念的定义，以便降低沟通的成本。
Flashcat中的概念：
基于以上定义：
|
其中故障是一个重要的分水岭，故障及以上的事件是需要紧急响应紧急处理的，即Flashcat重点针对的场景，而故障及以下的事件则不那么紧急，属于日常排障。
步骤二：基于SLI量化故障标准 1）SLI选取：
北极星指标即SLI（service level indicator）。但为便于观察，北极星业务线中采集的北极星指标通常可能会有一些重合，如总订单量指标和分地域或分城市的订单量指标。可依据业务的情况，从中选取部分指标来作为故障等级判断的依据。
选取原则：所选指标集合能够完整覆盖业务的核心流程；
2）等级量化：
基于选取的北极星指标（SLI）集合推荐一个异常等级量化的样例：
异常等级量化举例：
定义中的相关概念：
|
输出：明确量化的故障等级标准文稿。
步骤三：可用性配额（Error Budget）管理
可用性配额或错误配额，即全年允许故障持续的总时长，是可用性目标（SLO，service level objective）计算的基础，如可用性配额为262.8分钟，对应可用性目标则为99.95%。
其实也可以反过来，先确定全年可用性目标，录入目标值，Flahcat会自动计算出可用性配额。但配额值其实更具业务意义，因此建议采用先配额后目标，再微调的制定方案。
首先，确定需要扣减可用性配额的故障等级，如P3一般事故及以上的等级需要扣减配额。各个等级扣减配额的方案有多种，可选方案举例：
1）只要达到P3等级，无论严重程度，一律扣减异常持续时间的时长；
2）按等级进行折算，如：
- P0：从配额中扣减 事故持续时长 x 100% 的时间；
- P1、P2、P3：从配额中扣减 事故持续时长 x 异常时间区间累计量下降幅度 的时间；
可以结合业务的情况，制定一个合理的算法。
扣减算法确定后，再基于业务线历史的故障情况，和未来的发展预期，大致推算一个可用性配额的量级，最后可能权衡微调为对应99.9%、99.95%、99.98%之类的可用性目标值。
输出：明确量化的可用性配额扣减标准，及各个业务线的可用性配额数值。
步骤四：可用性目标（SLO）管理
业务线全年的可用性配额确定后，可在Flashcat的北极星首页进行录入，Flashcat会根据录入的配额自动计算全年的可用性目标。
|
计算公式（单位：分钟）：
可用性目标 = （365 * 24 * 60 - 配额）/（365 * 24 * 60）* 100% |
后续每次故障复盘中，需要确认故障的等级和消耗的配额，并累加到已消耗的配额中，系统会根据已消耗的配额每天自动计算当前可用性。
|
计算公式：
当前可用性 = （1月1日到当前的天数 * 24 * 60 - 已消耗的时长）/（1月1日到当前的天数 * 24 * 60）* 100% |
系统同时计算预估可用性，即假设从当前时间开始到年末都不出现消耗配额的事故，预期保持到年底时的可用性数值（可用于和可用性目标做对比）。
|
计算公式：
预估可用性 = （365 * 24 * 60 - 已消耗的配额）/（365 * 24 * 60）* 100% |
|
重要提示：
1）可用性目标因为SLI的选取不同、故障等级的标准不同、配额扣减的标准不同，通常无法在不同标准体系下做横向比较。较有意义的是现在和过去、今年和往年进行对比。但前提是持续管理，并保持标准的一致性。 |
输出：明确的可用性配额录入到北极星业务线中，被在每次事故后更新消耗的配额。
SLA管理最佳实践
最佳实践：基于北极星的业务稳定性SLA管理最佳实践
1）成立公司级（至少是业务线级别）的稳定性联合保障组织，对公司/业务线的服务稳定性负责；
2）定期总结各北极星业务线的稳定性指标达成情况、故障情况、改进项完成情况等数据，作为运营报告输出；
3）对稳定性建设表现优秀的团队进行奖励，对可用性配额消耗大的团队进行复盘总结；
