Vì sao cần nói về độ tin cậy bằng con số
Câu “hệ thống phải luôn ổn định” nghe hợp lý nhưng không giúp ai ra quyết định. Cần bao nhiêu máy chủ dự phòng, có nên dừng phát hành khi vừa có sự cố, hay đầu tư vào đâu trước? Thực hành SRE trả lời bằng cách biến độ tin cậy thành các chỉ số, mục tiêu và ngân sách lỗi có thể đo, thống nhất giữa nhóm phát triển và nhóm vận hành.

SLI: chỉ số đo chất lượng dịch vụ
Theo sách SRE của Google, SLI (Service Level Indicator) là chỉ số định lượng, được định nghĩa cẩn thận, đo một khía cạnh chất lượng dịch vụ. Ví dụ phổ biến gồm độ trễ, tỷ lệ lỗi, thông lượng và tính khả dụng. Với hệ thống lưu trữ còn có độ bền dữ liệu, và với mọi hệ thống nên theo dõi tính đúng đắn của kết quả.
SLO: mục tiêu cho chỉ số
SLO (Service Level Objective) là mục tiêu hoặc khoảng giá trị cho một SLI, thường có dạng chỉ số không vượt ngưỡng. Ví dụ trong sách SRE: 99% lời gọi hoàn thành dưới 100 ms. SLO biến mô tả mơ hồ thành tiêu chí kiểm tra được, đồng thời là căn cứ để biết khi nào cần can thiệp và việc nào nên ưu tiên.

SLA: thỏa thuận có hậu quả
SLA (Service Level Agreement) là thỏa thuận với người dùng kèm hậu quả khi không đạt mục tiêu, thường là bồi hoàn hoặc phạt tài chính. Sách SRE đưa cách phân biệt đơn giản: nếu không đạt mà không có hậu quả rõ ràng thì đó là SLO chứ không phải SLA. Nhóm SRE thường không soạn SLA mà giúp xác định chỉ số đo được và tránh vi phạm.
Cách chọn SLI: bắt đầu từ nhu cầu người dùng
Nên chọn chỉ số xuất phát từ điều người dùng thực sự cần, không phải điều dễ đo nhất. Chỉ nên chọn một số ít chỉ số đại diện, ví dụ độ khả dụng và độ trễ của luồng chính như đăng nhập hay thanh toán. Khi trải nghiệm phụ thuộc vào yếu tố phía máy khách mà máy chủ không thấy, nên đo cả ở phía máy khách.
Dùng phân vị thay cho trung bình
Sách SRE khuyến nghị dùng phân vị như p99 hoặc p99.9 thay vì trung bình, vì trung bình có thể che giấu độ trễ đuôi dài mà một nhóm người dùng vẫn phải chịu. Nếu độ trễ trung bình tốt nhưng 1% yêu cầu mất hàng chục giây, nhóm khách hàng đó vẫn có trải nghiệm tệ, và trung bình không phản ánh được điều này.
Cách đặt mục tiêu SLO
Sách SRE đưa ra các lời khuyên: không lấy hiệu năng hiện tại làm chuẩn, giữ mục tiêu đơn giản, tránh yêu cầu tuyệt đối, dùng ít SLO nhưng bao phủ đủ, và bắt đầu với mục tiêu lỏng rồi siết dần. SLO nội bộ nên chặt hơn SLO công bố để có biên an toàn, đồng thời tránh để hệ thống vượt quá xa cam kết khiến người dùng ỷ lại.
Vì sao không nên đặt mục tiêu 100%
Sách SRE nhấn mạnh việc yêu cầu đạt 100% làm chậm đổi mới và tốn chi phí quá lớn. Người dùng cũng khó nhận ra khác biệt khi phía họ còn nhiều điểm lỗi khác như mạng hay thiết bị. Độ khả dụng thường được diễn đạt theo “số 9”, ví dụ 99,95% là khoảng ba rưỡi số 9, và mỗi số 9 thêm vào đều đắt hơn nhiều.
Error budget: ngân sách lỗi được phép
Error budget là tỷ lệ vi phạm SLO được phép, theo dõi theo ngày, tuần hoặc quý. Nếu SLO khả dụng là 99,9% thì phần 0,1% còn lại là ngân sách để chấp nhận rủi ro, ví dụ khi phát hành tính năng mới. Mức còn lại của ngân sách là đầu vào để quyết định có đẩy nhanh phát hành hay ưu tiên ổn định.
Chính sách ngân sách lỗi mẫu của Google
SRE Workbook có một chính sách mẫu cho dịch vụ trò chơi giả định. Khi vượt ngân sách trong cửa sổ 4 tuần trước đó, nhóm dừng mọi thay đổi và phát hành, chỉ trừ sự cố mức P0 và bản vá bảo mật, cho đến khi dịch vụ trở lại trong SLO. Chính sách nhấn mạnh mục đích không phải trừng phạt mà là cân bằng độ tin cậy với tính năng.
Khi nào vẫn được tiếp tục phát hành
Chính sách mẫu cũng nêu các trường hợp không bắt buộc ưu tiên độ tin cậy: sự cố do mạng toàn công ty, do dịch vụ của nhóm khác đang tạm dừng phát hành để xử lý, hoặc ngân sách bị tiêu bởi người dùng nằm ngoài phạm vi SLO như kiểm thử tải. Phân biệt rõ nguyên nhân giúp chính sách công bằng và được nhóm chấp nhận.
Postmortem khi một sự cố tiêu quá nhiều ngân sách
Theo chính sách mẫu, nếu một sự cố đơn lẻ tiêu quá 20% ngân sách trong 4 tuần, nhóm bắt buộc làm postmortem với ít nhất một hành động ưu tiên cao để xử lý nguyên nhân gốc. Đây là cách biến sự cố thành cải tiến cụ thể, thay vì chỉ ghi nhận rồi quên. Con số 20% là của chính sách mẫu, mỗi tổ chức có thể chọn ngưỡng riêng.
Vòng điều khiển từ đo đến hành động
Sách SRE mô tả vòng điều khiển: đo SLI, so sánh với SLO, quyết định có cần hành động không, xác định hành động cần thiết rồi thực hiện. Vòng lặp này cần dữ liệu giám sát đáng tin cậy, vì vậy SLO luôn đi kèm hạ tầng quan sát gồm log, metric và trace, để mọi thảo luận về độ tin cậy dựa trên số liệu chung.
Áp dụng SLO cho dịch vụ chạy trên Public Cloud
Khi chạy trên Public Cloud, SLA của nhà cung cấp hạ tầng chỉ là một mắt xích. SLO của ứng dụng còn phụ thuộc kiến trúc, cơ sở dữ liệu, phụ thuộc bên thứ ba và quy trình phát hành. Doanh nghiệp nên tự đặt SLO cho trải nghiệm người dùng cuối, rồi suy ra yêu cầu về dự phòng đa vùng, sao lưu và khôi phục.
Kết luận
SLI, SLO và error budget giúp doanh nghiệp thảo luận độ tin cậy bằng ngôn ngữ chung, có số liệu và có quy tắc quyết định. Hãy bắt đầu với một vài chỉ số cho luồng quan trọng nhất, đặt mục tiêu thực tế, theo dõi ngân sách lỗi và rà soát định kỳ. Các con số trong bài là ví dụ từ tài liệu nguồn, cần điều chỉnh theo dịch vụ của bạn.
Câu hỏi thường gặp
Vì sao cần nói về độ tin cậy bằng con số?
Câu “hệ thống phải luôn ổn định” nghe hợp lý nhưng không giúp ai ra quyết định. Cần bao nhiêu máy chủ dự phòng, có nên dừng phát hành khi vừa có sự cố, hay đầu tư vào đâu trước? Thực hành SRE trả lời bằng cách biến độ tin cậy thành các chỉ số, mục tiêu và ngân sách lỗi có thể đo, thống nhất giữa nhóm phát triển và nhóm vận hành.
SLO: mục tiêu cho chỉ số mang lại lợi ích gì cho doanh nghiệp?
SLO (Service Level Objective) là mục tiêu hoặc khoảng giá trị cho một SLI, thường có dạng chỉ số không vượt ngưỡng. Ví dụ trong sách SRE: 99% lời gọi hoàn thành dưới 100 ms. SLO biến mô tả mơ hồ thành tiêu chí kiểm tra được, đồng thời là căn cứ để biết khi nào cần can thiệp và việc nào nên ưu tiên.
SLA: thỏa thuận có hậu quả mang lại lợi ích gì cho doanh nghiệp?
SLA (Service Level Agreement) là thỏa thuận với người dùng kèm hậu quả khi không đạt mục tiêu, thường là bồi hoàn hoặc phạt tài chính. Sách SRE đưa cách phân biệt đơn giản: nếu không đạt mà không có hậu quả rõ ràng thì đó là SLO chứ không phải SLA. Nhóm SRE thường không soạn SLA mà giúp xác định chỉ số đo được và tránh vi phạm.
Cách chọn SLI: bắt đầu từ nhu cầu người dùng là gì?
Nên chọn chỉ số xuất phát từ điều người dùng thực sự cần, không phải điều dễ đo nhất. Chỉ nên chọn một số ít chỉ số đại diện, ví dụ độ khả dụng và độ trễ của luồng chính như đăng nhập hay thanh toán. Khi trải nghiệm phụ thuộc vào yếu tố phía máy khách mà máy chủ không thấy, nên đo cả ở phía máy khách.
Cách đặt mục tiêu SLO là gì?
Sách SRE đưa ra các lời khuyên: không lấy hiệu năng hiện tại làm chuẩn, giữ mục tiêu đơn giản, tránh yêu cầu tuyệt đối, dùng ít SLO nhưng bao phủ đủ, và bắt đầu với mục tiêu lỏng rồi siết dần. SLO nội bộ nên chặt hơn SLO công bố để có biên an toàn, đồng thời tránh để hệ thống vượt quá xa cam kết khiến người dùng ỷ lại.
Vì sao không nên đặt mục tiêu 100%?
Sách SRE nhấn mạnh việc yêu cầu đạt 100% làm chậm đổi mới và tốn chi phí quá lớn. Người dùng cũng khó nhận ra khác biệt khi phía họ còn nhiều điểm lỗi khác như mạng hay thiết bị. Độ khả dụng thường được diễn đạt theo “số 9”, ví dụ 99,95% là khoảng ba rưỡi số 9, và mỗi số 9 thêm vào đều đắt hơn nhiều.
Bài viết liên quan
- Observability là gì? Phân biệt Logging, Metrics, Tracing trong Giám sát Hệ thống
- SLA trong Điện toán Đám mây: Cách Đọc và Chọn Mức Cam kết Phù hợp cho Hệ thống Quan trọng
- Multi-AZ / Multi-Region là gì? Bảo vệ Hệ thống Core khỏi Sự cố Trung tâm Dữ liệu
- FPT Disaster Recovery – Giải pháp dự phòng & khôi phục hệ thống sau thảm họa
Xem thêm các bài viết khác tại Tin tức Public Cloud FPT.
Để được tư vấn giải pháp phù hợp với nhu cầu doanh nghiệp, hãy đăng ký nhận tư vấn miễn phí hoặc khám phá toàn bộ sản phẩm & dịch vụ FPT Cloud.

