Implementação de SLO

Framework para definir e implementar Indicadores de Nível de Serviço (SLIs), Objetivos de Nível de Serviço (SLOs) e orçamentos de erro.

Não use esta habilidade quando

• A tarefa não estiver relacionada à implementação de SLO
• Você precisar de um domínio ou ferramenta diferente fora deste escopo

Instruções

• Clarifique objetivos, restrições e entradas necessárias.
• Aplique as melhores práticas relevantes e valide os resultados.
• Forneça etapas acionáveis e verificação.
• Se exemplos detalhados forem necessários, abra resources/implementation-playbook.md.

Propósito

Implementar metas de confiabilidade mensuráveis usando SLIs, SLOs e orçamentos de erro para equilibrar a confiabilidade com a velocidade de inovação.

Use esta habilidade quando

• Definir metas de confiabilidade de serviço
• Medir a confiabilidade percebida pelo usuário
• Implementar orçamentos de erro
• Criar alertas baseados em SLO
• Acompanhar metas de confiabilidade

Hierarquia SLI/SLO/SLA

SLA (Service Level Agreement)
  ↓ Contract with customers
SLO (Service Level Objective)
  ↓ Internal reliability target
SLI (Service Level Indicator)
  ↓ Actual measurement

Definindo SLIs

Tipos Comuns de SLI

1. SLI de Disponibilidade

# Successful requests / Total requests
sum(rate(http_requests_total{status!~"5.."}[28d]))
/
sum(rate(http_requests_total[28d]))

2. SLI de Latência

# Requests below latency threshold / Total requests
sum(rate(http_request_duration_seconds_bucket{le="0.5"}[28d]))
/
sum(rate(http_request_duration_seconds_count[28d]))

3. SLI de Sucesso de Escrita

# Successful writes / Total writes
sum(storage_writes_successful_total)
/
sum(storage_writes_total)

Referência: Veja references/slo-definitions.md

Definindo Metas de SLO

Exemplos de SLO de Disponibilidade

Os equivalentes de tempo de inatividade abaixo assumem um SLI baseado em tempo, um mês de 30 dias e um ano de 365 dias; não converta orçamentos baseados em requisições para tempo de inatividade sem um modelo de tráfego.

Escolha SLOs Apropriados

Considere:

• Expectativas do usuário
• Requisitos de negócios
• Desempenho atual
• Custo da confiabilidade
• Benchmarks de concorrentes

Exemplos de SLOs:

slos:
  - name: api_availability
    target: 99.9
    window: 28d
    sli: |
      sum(rate(http_requests_total{status!~"5.."}[28d]))
      /
      sum(rate(http_requests_total[28d]))

  - name: api_latency_under_500ms
    target: 99
    window: 28d
    sli: |
      sum(rate(http_request_duration_seconds_bucket{le="0.5"}[28d]))
      /
      sum(rate(http_request_duration_seconds_count[28d]))

Cálculo do Orçamento de Erro

Fórmula do Orçamento de Erro

Error Budget = 1 - SLO Target

Exemplo:

• SLO: 99.9% de disponibilidade
• Orçamento de Erro: 0.1% = 43.2 minutos/mês
• Erro Atual: 0.05% = 21.6 minutos/mês
• Orçamento Restante: 50%

Política de Orçamento de Erro

error_budget_policy:
  - remaining_budget: 100%
    action: Normal development velocity
  - remaining_budget: 50%
    action: Consider postponing risky changes
  - remaining_budget: 10%
    action: Freeze non-critical changes
  - remaining_budget: 0%
    action: Feature freeze, focus on reliability

Referência: Veja references/error-budget.md

Implementação de SLO

Regras de Gravação do Prometheus

# Regras de Gravação de SLI
groups:
  - name: sli_rules
    interval: 30s
    rules:
      # SLI de Disponibilidade
      - record: sli:http_availability:ratio
        expr: |
          sum(rate(http_requests_total{status!~"5.."}[28d]))
          /
          sum(rate(http_requests_total[28d]))

      # SLI de Latência (requisições < 500ms)
      - record: sli:http_latency:ratio
        expr: |
          sum(rate(http_request_duration_seconds_bucket{le="0.5"}[28d]))
          /
          sum(rate(http_request_duration_seconds_count[28d]))

  - name: slo_rules
    interval: 5m
    rules:
      # Conformidade com SLO (1 = atendendo ao SLO, 0 = violando)
      - record: slo:http_availability:compliance
        expr: sli:http_availability:ratio >= bool 0.999

      - record: slo:http_latency:compliance
        expr: sli:http_latency:ratio >= bool 0.99

      # Orçamento de erro restante (porcentagem)
      - record: slo:http_availability:error_budget_remaining
        expr: |
          (sli:http_availability:ratio - 0.999) / (1 - 0.999) * 100

      # Taxa de queima do orçamento de erro

…