「译文」使用 Prometheus 和 Grafana 实现 SLO

本文最后更新于：2023年5月6日上午

👉️URL: https://engineering.bitnami.com/articles/implementing-slos-using-prometheus.html

📝Author:

由 JuanJo Ciarlante 发表 于 2018 年 10 月 4 日

在线服务应旨在提供符合业务需求的服务可用性。这个过程的一个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。

为了验证服务如何符合这些目标，应该可以定义具有可衡量的「阈值」，例如，「服务必须在 99.9% 的时间内可用」，这反过来应该符合用户的期望和业务连续性。

SLA、SLO、SLI

已经有很多关于主题的文章：

如果您不熟悉这些术语，我强烈建议您先阅读 Google 的 SRE 书中关于服务级别目标的文章。

总之：

SLA：服务等级协议
- 您承诺向用户提供何种服务，如果您无法满足，可能会受到处罚。
- 示例：“99.5%”可用性。
- 关键词：合同
SLO：服务等级目标
- 您在内部设置的目标，推动您的测量阈值（例如，在仪表板和警报上）。通常，它应该比您的 SLA 更严格。
- 示例：“99.9%”可用性（所谓的“三个 9”）。
- 关键词：阈值
SLI：服务等级指标
- 您实际测量的内容，以断言您的 SLO 是否符合 / 偏离目标。
- 示例：错误率、延迟
- 关键词：指标

SLO 正当时

那么 99% 可用性是什么意思呢？- 这不是 1％的错误率（失败的 HTTP 响应百分比），而是在预定义的时间段内服务可用的时间百分比。

SLO grafana 仪表板截图

在上面的仪表板中，该服务在 1 小时内的错误率超过 0.1%（y 轴为 0.001）（错误尖峰顶部的红色小水平段），从而提供 99.4% 的 7 天的可用性：

SLO 公式示例

此结果的一个关键因素是您选择衡量可用性的时间跨度（在上例中为 7 天）。较短的时间段通常用作所涉及的工程团队（例如，SRE 和 SWE）的检查点，以跟踪服务的运行情况，而较长的时间段通常用于组织 / 更广泛的团队的审查目的。

例如，如果您设置了99.9%SLO，则服务可以关闭的总时间如下：

30 天内：43 分钟（3/4 小时）
90 天内：129 分钟（约 2 小时）

另一个微不足道的“数字事实”是向 SLO 添加额外的 9 具有明显的指数影响。请参阅以下总时间跨度为 1 年的 时间段：

2 个 9: 99%: 5250min (87hrs or 3.64days)
3 个 9: 99.9%: 525min (8.7hrs)
4 个 9: 99.99%: 52.5min
5 个 9：99.999%5 分钟

输入错误预算（ERROR BUDGETS）

服务可以关闭的允许时间的上述数字可以被认为是 错误预算（error budget），您可以在以下事件中消耗它：

计划中的维护
失败的升级
意外中断

实际结果是，上述任何一项都会消耗您的服务的 错误预算，例如，意外中断可能会耗尽它，以至于在该时间段内阻止进一步的维护工作。

SLI 关键词是指标

从上面可以清楚地看出，我们必须有服务指标来告诉我们服务何时被认为（不）可用。有几种方法可以解决这个问题：

RED : Rate（比率）, Errors（错误）, Duration（时长） - 由 @tom_wilkie 引入
USE : Utilization（利用率）, Saturation（饱和度）, and Errors（错误） - 由 @brendangregg 引入

SLO 实施示例

让我们举一个具体的例子，遵循 RED 方法（因为我们已经拥有的指标更适合这种方法）：通过通常用于监控目的的工具，创建警报和仪表板以支持 Kubernetes API 的目标 SLO：Prometheus 和 Grafana。

此外，我们将使用 jsonnet 来构建我们的规则和仪表板文件，利用现有的 library helpers。

本文不解释如何在您的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此条件下 的时间。

本文的其余部分将重点介绍创建 Prometheus 规则以根据特定指标 (SLI) 的阈值捕获“SLO 超时”。

定义 SLO 目标和指标阈值

让我们定义一个简单的目标：

SLO : 99%，来自以下内容：
SLI：
- 错误率低于 1%
- 90 百分位数（90th percentile）的请求的延迟低于 200ms

将规范写为 jsonnet：

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

查找 SLI

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

apiserver_request_count: 按verb, code, 计算所有请求resource，例如获取最近 5 分钟的总错误率：
1
2
3
sum(rate(apiserver_request_count{code=~"5.."}[5m])) / sum(rate(apiserver_request_count[5m]))

上面的公式会丢弃所有指标标签（例如，http 的 verb, code）。如果要保留一些标签，则需要执行类似于以下操作：

1
2
3

sum by (verb, code) (rate(apiserver_request_count{code=~"5.."}[5m]))
  / ignoring (verb, code) group_left
sum (rate(apiserver_request_count[5m]))

apiserver_request_latencies_bucket：不同 verb 的延迟直方图。例如，要获得以毫秒为单位的第 90 个延迟百分位数：（注意le “小于或等于”标签是特殊的，因为它设置了直方图桶间隔）：
1
2
3
4
5
6
histogram_quantile ( 0.90, sum by (le, verb, instance)( rate(apiserver_request_latencies_bucket[5m]) ) ) / 1e3

了解更多信息：

编写 Prometheus 规则以记录所选的 SLI

PromQL 是一个非常强大的语言，但截至 2018 年 10 月，它还不支持嵌套子查询的范围（详见普罗米修斯问题 1227），我们需要一个功能，能够计算 time ratio 的error ratio 或latency。

此外，作为一种良好的做法，为了降低 查询时 Prometheus 资源的使用，建议始终将记录规则（recording rules）添加到预先计算的表达式中，例如sum(rate(...))。

作为如何执行此操作的示例，以下记录规则集是从我们的 bitnami-labs/kubernetes-grafana-dashboards 存储库构建的，以捕获上述内容time ratio：

创建一个新 kubernetes:job_verb_code_instance:apiserver_requests:rate5m 指标来记录 请求率：

1
2
3

record: kubernetes:job_verb_code_instance:apiserver_requests:rate5m
expr: |
  sum by(job, verb, code, instance) (rate(apiserver_request_count[5m]))

使用上述指标，为 请求比率（超过总数）创建一个新的kubernetes:job_verb_code_instance:apiserver_requests:ratio_rate5m：

record: kubernetes:job_verb_code_instance:apiserver_requests:ratio_rate5m
expr: |
  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
  )

使用上述比率指标（基于每个 http 的 code和 verb），创建一个新指标来捕获 错误率：

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

使用上述错误率（以及其他类似创建过去 5 分钟内记录的第 90 个百分位延迟kubernetes::job:apiserver_latency:pctl90rate5m，为简单起见未在上面显示），最后创建一个布尔指标来记录我们的 SLO 违例：
1
2
3
4
5
record: kubernetes::job:slo_kube_api_ok expr: | kubernetes:job:apiserver_request_errors:ratio_rate5m < bool 0.01 * kubernetes::job:apiserver_latency:pctl90rate5m < 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考虑 SLO 合规性非常有用，但我们应该报警上述哪个指标正在推动 SLO，如下面的 Prometheus 警报规则所示：

高 API 错误率警报：

alert: KubeAPIErrorRatioHigh
expr: |
  sum by(instance) (
    kubernetes:job_verb_code_instance:apiserver_requests:ratio_rate5m
      {code=~"5..",verb=~"GET|POST|DELETE|PATCH"}
  ) > 0.01
for: 5m

高 API 延迟警报

alert: KubeAPILatencyHigh
expr: |
  max by(instance) (
    kubernetes:job_verb_instance:apiserver_latency:pctl90rate5m
      {verb=~"GET|POST|DELETE|PATCH"}
  ) > 200
for: 5m

请注意，Prometheus 规则取自已显示的 jsonnet 输出，可在 bitnami-labs/kubernetes-grafana-dashboards 中找到，阈值分别从 $.slo.error_ratio_threshold 和 $.slo.latency_threshold 评估。

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。这对于简单和 / 或“标准”仪表板（例如，从 https://grafana.com/dashboards 下载）很好，但如果您想实施最佳 devops 实践，尤其是对于 gitops 工作流，则会变得很麻烦。

社区正在通过各种努力解决这个问题，例如用于 jsonnet、python 和 Javascript的 Grafana 库。鉴于我们的 jsonnet 实现，我们选择了 grafonnet-lib。

使用 jsonnet 设置我们的 SLO 阈值和编码我们的 Prometheus 规则的一个非常有用的结果是，我们可以重用这些来构建我们的 Grafana 仪表板，而无需复制和粘贴它们。

例如：

$.slo.error_ratio_threshold在我们的 Grafana 仪表板中引用来设置 Grafana 图形面板的 thresholds 属性，就像我们上面为我们的 Prometheus 警报规则所做的那样。

通过参考 jsonnet 摘录创建的 Prometheus 记录规则，请注意metric.rules.requests_ratiorate_job_verb_code.record 用法（而不是逐字记录'kubernetes:job_verb_code_instance:apiserver_requests:ratio_rate5m'）：

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

您可以在 dash-kubeapi.jsonnet 阅读我们的实现，以下是生成的仪表板的屏幕截图：

SLO Grafana 仪表板屏幕截图

把这一切放在一起

我们在 bitnami-labs/kubernetes-grafana-dashboards 文件夹下的 bitnami-labs/kubernetes-grafana-dashboards 存储库中实现了上述 jsonnet 想法。

我们构建的 Prometheus 规则和 Grafana 仪表板文件是从 jsonnet 源生成的，如下所示：

SLO jsonnet 工作流程

spec-kubeapi.jsonnet：尽可能多的纯数据规范（阈值、规则和仪表板公式）
- rules-kubeapi.jsonnet：输出 Prometheus 记录规则和警报
- dash-kubeapi.jsonnet：输出 Grafana 仪表板，通过我们的 bitnami_grafana.libsonnet 使用 grafonnet-lib。

自从我们开始这个项目以来，社区已经创建了许多其他有用的 Prometheus 规则。查看 srecon17_americas_slides_wilkinson.pdf 了解更多信息。如果我们不得不从头开始，我们可能会将 kubernetes-mixin 与 jsonnet-bundler 一起使用。

Observability

#K8S #译文 #Monitoring #Observability #Grafana #Prometheus #SLA #SLO #SLI

「译文」使用 Prometheus 和 Grafana 实现 SLO

https://ewhisper.cn/posts/42659/

作者

东风微鸣

发布于

2021年12月13日

许可协议

K8S 实用工具之五 -kompose 上一篇

WireGuard 系列文章（七）：使用 WireGuard 和 Netmaker 创建 Full Mesh 网络下一篇

「译文」使用 Prometheus 和 Grafana 实现 SLO

SLA、SLO、SLI

SLO 正当时

输入错误预算（ERROR BUDGETS）

SLI 关键词是 指标

SLO 实施示例

定义 SLO 目标和指标阈值

查找 SLI

编写 Prometheus 规则以记录所选的 SLI

编写 Prometheus 警报规则

以编程方式创建 Grafana 仪表板

把这一切放在一起

SLI 关键词是指标