可用性對照表:90% 到 99.999% 各允許停機多久
對照 99.9%、99.99%、99.999% 可用性在不同期間允許的停機時間,了解時間型錯誤預算與請求成功率的差異。
以 30 天為期,要達到 99.9% 可用性,服務最多可停機 43.2 分鐘。目標提高到 99.99%,同一期間只剩 4.32 分鐘。若故障切換需要 10 分鐘,且服務在切換期間無法使用,光這一次就會超出較高目標的停機預算。
這種算法以時間衡量可用性。若服務水準目標(SLO)以請求成功率衡量,預算的單位是失敗請求數。查表前先確認統計期間和判定可用的條件。
可用性與允許停機時間對照表
| 可用性 | 365 天 | 30 天 | 7 天 | 24 小時 |
|---|---|---|---|---|
| 90% | 36.5 天 | 3 天 | 16.8 小時 | 2.4 小時 |
| 99% | 3.65 天 | 7.2 小時 | 1.68 小時 | 14.4 分鐘 |
| 99.5% | 1.83 天 | 3.6 小時 | 50.4 分鐘 | 7.2 分鐘 |
| 99.9% | 8.76 小時 | 43.2 分鐘 | 10.1 分鐘 | 1.44 分鐘 |
| 99.95% | 4.38 小時 | 21.6 分鐘 | 5.04 分鐘 | 43.2 秒 |
| 99.99% | 52.6 分鐘 | 4.32 分鐘 | 1.01 分鐘 | 8.64 秒 |
| 99.999% | 5.26 分鐘 | 25.9 秒 | 6.05 秒 | 0.86 秒 |
將統計期間的長度乘以(1 − 可用性目標),目標以小數代入。以 30 天、99.9% 為例,允許停機時間為 43,200 分鐘 ×(1 − 0.999)= 43.2 分鐘。表中數值按固定長度換算,並做了四捨五入。若報告採用日曆月,要依約定的時區、實際期間及排除條件計算。 Google SRE 可用性對照表
分母是時間,還是請求數?
時間型服務水準指標(SLI)衡量統計期間內符合可用條件的時間比例。若用付款成功率,則以符合統計條件的付款請求為分母。假設有 200 萬筆請求,目標是 99.9%,可容許 2,000 筆失敗。相同的 10 分鐘停機,發生在尖峰時段和離峰時段,可能消耗不同數量的失敗預算。
端點回傳 HTTP 200,卻花了 30 秒。若回應時間超過成功條件中的上限,這筆請求仍算失敗。也可以另外訂立延遲 SLO。先確認要統計哪些路由、使用者或地區,再核對服務水準協議(SLA)的適用範圍,以及計畫性維護的排除條件。 Google SRE 的 SLO 實作指南
多一個 9,復原要快多少?
以 99.99% 為目標,一次 10 分鐘的停機約用掉 30 天預算的 2.3 倍。若以各個日曆月獨立統計,超標不會先扣掉下一個月的預算。採滾動視窗時,這次停機要等到離開視窗,才不再影響當前數值。99.999% 以 365 天計算也只容許 5 分多鐘。除了看架構有幾份備援,還要量出從發現故障、完成切換到恢復服務花多久。
成本取決於使用者還會遇到哪些故障。若資料庫要靠人工切換主節點,先量清楚這段流程;如果兩個站點共用同一項外部相依服務,增加站點也可能無法消除這個故障點。單次停機 43 分鐘與 43 次各停機 1 分鐘,耗用的時間一樣,對使用者的影響可能不同。除了總時間,也值得記錄事件次數和每次持續多久。
按照承諾的條件來測量
伺服器的健康檢查通過時,使用者仍可能因 DNS 或路由問題而連不上。在觀測雲的合成監測中,可以選擇貼近使用者的探測地點,並設定回應應符合的判定條件。探測成功率以測試結果的次數為分母,短於探測間隔的故障可能漏測。要把資料用於 SLA 核對,先定義如何處理缺少資料或僅部分地區失敗的情況。
觀測雲 SLO的監控器類型按監控器異常涵蓋的時間評估,指標類型則比較成功次數和總次數。依約定的 SLI 選擇類型、範圍和統計期間,再設定告警。多久收到通知,取決於實際的監測設定。
錯誤預算是 SLO 允許的失敗量,依 SLI 換算成分鐘或失敗請求數。若預算所剩不多,團隊可依事先約定的政策決定哪些變更暫緩、哪些可靠性工作先做。
