Publikation von Christoph Puppe
Genauer hinschauen: Site Reliability Engineering präzisiert die Messung der Servicequalität
Eine hohe Verfügbarkeit ist bei wichtigen Diensten unabdingbar, aber ihre Messung ist komplexer als das Zählen von Stillstandsminuten: Eine global verteilte Anwendung kann in den USA funktionieren, während in den Niederlanden der Warenkorb klemmt, oder sie antwortet zwar, liefert aber bei jeder zehnten Anfrage einen Fehler. Googles Site Reliability Engineering misst deshalb nicht, ob ein Dienst antwortet, sondern wie viele Anfragen eine gültige Antwort erhalten: Beim Webserver zählen HTTP 200 und 304 als Erfolg, alle 40X-, 50X- und ausgebliebenen Antworten als Fehler; ein vorgelagerter Proxy erfasst sämtliche Requests, ohne die Anwendung zu belasten. SRE zerlegt das übliche SLA in seine Bestandteile: Der Service Level Indicator benennt den Messwert, das Service Level Objective das Ziel, etwa 99,5 Prozent korrekt beantwortete Anfragen und 99 Prozent unter 100 Millisekunden. Das eigentlich Neue ist das Fehlerbudget: 100 Prozent Verfügbarkeit sind weder erreichbar noch nötig, der Abstand zum SLO ist eine Lücke mit Existenzberechtigung, in der der Betrieb Kosten sparen und die Entwicklung neue Features riskieren darf. Weil das Budget pro Anwendung gilt, egal wo der Fehler entstand, versöhnt es Programmierer und Administratoren. Verfügbarkeit ist in Zeiten preiswerter Redundanz eine Messung der Kundenzufriedenheit, und SLI, SLO und Fehlerbudget machen die Qualität der Arbeit von Entwicklern wie Administratoren messbar.