SLI（サービスレベル指標） とは？

たとえばリクエストの応答時間、失敗したリクエストの割合、1秒あたりの処理量、サービスが使えた時間の割合なんかを測るよ。健康診断で体温や血圧を測るように、サービスの状態を数字で把握するための指標なんだ

いい質問だね。CPU使用率は原因を調べるのに役立つけど、利用者が直接感じる値ではないよね。GoogleのSRE本では、まず利用者が何を気にしているかを考えて、そこから指標を選ぶよう勧めているよ。測る指標が多すぎると大事な変化が埋もれるから、少数の代表的なものに絞るのがコツなんだ

SLIが「実際に測った値」で、SLOが「SLIをこの範囲に保つ」という目標だよ。たとえば「リクエストの99%が200ms以内に返る」がSLOなら、実際に200ms以内に返ったリクエストの割合がSLIになる。平均だと一部の遅いリクエストが隠れるから、99パーセンタイルのような分布の値で見るのが大事なんだ

サーバー側の記録やロードバランサーのログから測ることが多いけど、それだけだと見逃す問題もあるよ。SRE本では、サーバーの応答は速いのにブラウザ側のJavaScriptが遅くてページの表示が遅れる例を挙げて、利用者に近い側での測定の大切さを説明しているんだ

SRE本の監視の章では、利用者向けのシステムで4つだけ測るなら「レイテンシ・トラフィック・エラー・飽和度」の4つのゴールデンシグナルに注目するよう勧めているよ。これは監視全般の指針だから、そのままSLIにするのではなく、利用者の体験に直結するものを選んでSLIにするといいね