İçeriğe geç
TalosBilişim
Gözlemlenebilirlik27 Ocak 2026· 4 dk okuma

SLO ve SLI tasarlarken hesabı doğru yapmak

Varsayımsal bir ödeme API'si üzerinden SLI seçimi, error budget hesabı ve burn rate uyarısı. PromQL örnekleriyle.

T

Talos Mühendislik

Gözlemlenebilirlik Ekibi

Bir servisin pod'ları ayakta, uyarı kanalı sessiz olabilir ve kullanıcılar yine de ödeme yapamıyor olabilir. Tersi de olur: gece yarısı bir node'un diski doldu diye uyanırsınız, kullanıcı tarafında hiçbir şey olmamıştır. SLO çalışmasının pratik faydası bu iki durumu ayırmaktır. Neyi ölçeceğinizi ve ne kadar bozulmaya razı olduğunuzu önceden yazarsınız, uyarıyı da ona göre kurarsınız.

Terimleri kısaca yerine koyayım. SLI ölçtüğünüz orandır, SLO o oran için koyduğunuz hedeftir, SLA ise müşteriyle imzaladığınız ve ihlali yaptırıma bağlanan taahhüttür. SLA'yı SLO'dan gevşek tutmak âdettir, çünkü iç hedefi kaçırdığınızda sözleşmeyi de çiğnemiş olmak istemezsiniz.

SLI'ı kullanıcının gördüğü yerden seçmek

İyi bir SLI "iyi olayların sayısı bölü geçerli olayların sayısı" biçiminde yazılabilir. Bu biçim hem error budget hesabını hem uyarıyı kolaylaştırır. İstek hızı, hata ve süre üçlüsü (RED diye anılır) servisler için doğal adaydır. CPU ve bellek doygunluğu gibi kaynak metric'leri kapasite planlamasında değerlidir ama SLI olarak zayıf kalır; CPU yüzde doksanda gezerken kullanıcı hiçbir şey hissetmeyebilir.

Örnek olarak bir ödeme API'si düşünün; tamamen varsayımsal, adı odeme-api olsun. İki SLI tanımlayalım. Erişilebilirlik için 5xx dönmeyen isteklerin oranı, gecikme için 250 ms altında yanıtlanan isteklerin oranı. Otuz günlük pencerede ilki için hedef %99,95, ikincisi için %99 olsun.

# Erişilebilirlik SLI
sum(rate(http_requests_total{job="odeme-api", code!~"5.."}[30d]))
/
sum(rate(http_requests_total{job="odeme-api"}[30d]))

# Gecikme SLI (250 ms altı)
sum(rate(http_request_duration_seconds_bucket{job="odeme-api", le="0.25"}[30d]))
/
sum(rate(http_request_duration_seconds_count{job="odeme-api"}[30d]))

Metric ve label adları instrumentation kütüphanenize göre değişir (code yerine status görebilirsiniz). Gecikme sorgusunun çalışması için histogram'da tam o eşikte bir bucket sınırı bulunmalıdır; 300 ms hedefi koyup bucket'ları 250 ve 500 olarak bırakırsanız sorgu boş döner. Otuz günlük aralık üzerinde rate hesaplamak pahalıdır, üretimde bunu recording rule ile önceden hesaplatmak gerekir.

Gecikmeyi "P99 300 ms altında" diye yazmak yerine oran olarak yazmamın sebebi şu: yüzdelikler toplanamaz ve ortalaması alınamaz, otuz günlük bir P99'un neyi ifade ettiği de belirsizdir. Oran biçimi ise erişilebilirlikle aynı aritmetiğe oturur.

İki ayrıntı sonradan can sıkar. Birincisi ölçüm noktası: metric'i servisin kendisi üretiyorsa, servise hiç ulaşamayan istekler sayılmaz. Mümkünse load balancer ya da ingress katmanından ölçün. İkincisi 4xx yanıtları: istemcinin hatalı isteği sizin kusurunuz sayılmaz, ama kendi koyduğunuz limit yüzünden dönen 429'ları nereye yazacağınıza bilinçli karar verin.

Error budget aritmetiği

Error budget, hedefin yüzden eksik kalan kısmıdır. %99,95 hedef için hesap şöyle:

Bütçe oranı      = 1 − 0,9995 = 0,0005
30 gün           = 30 × 24 × 60 = 43.200 dakika
Tam kesinti payı = 43.200 × 0,0005 = 21,6 dakika = 21 dk 36 sn

Bu süre, servisin tamamen kapalı olduğu ve trafiğin düzgün dağıldığı varsayımıyla geçerlidir. SLI istek bazlı olduğu için daha doğru okuma istek sayısıyla yapılır: ayda 10 milyon istek alan bir servis 10.000.000 × 0,0005 = 5.000 hatalı isteğe kadar hedefin içindedir. Gece üçteki on dakikalık kesinti ile öğlen yoğunluğundaki on dakikalık kesinti bütçeden aynı miktarı yemez.

Aynı hesabı %99,999 için yaparsanız 43.200 × 0,00001 = 0,432 dakika, yani yaklaşık 26 saniye çıkar. Bir insanın uyarıyı görüp müdahale etmesine yetmeyen bir süre bu. O hedefi koyacaksanız müdahalenin tamamen otomatik olması ve bağımlı olduğunuz her şeyin de aynı seviyeyi tutması gerekir. Çoğu servis için bunun maliyetini haklı çıkarmak zordur.

Bütçenin tek başına bir sayı olarak durması bir şey değiştirmez. Bence asıl iş, bütçe tükendiğinde ne olacağını ürün tarafıyla birlikte önceden yazmaktır. Yaygın yaklaşım, bütçe bitince pencere toparlanana kadar riskli değişiklikleri durdurup güvenilirlik işine öncelik vermektir. Bunun bedeli özellik takviminin kayması, ve o bedeli olaydan önce kabul ettirmek olay sırasında tartışmaktan kolaydır.

Burn rate ile uyarı

"Hata oranı binde beşi geçti" türü sabit eşikli uyarılar ya çok gürültülü olur ya da yavaş sızıntıyı kaçırır. Burn rate bunun yerine bütçenin ne hızla harcandığına bakar. Burn rate 1, bütçenin tam otuz günde biteceği hızdır. 14,4 ise bir saatte bütçenin 14,4 × 1 / 720 = %2'sinin gittiği hızdır (720, otuz günün saat karşılığı). Google'ın SRE Workbook'unda önerilen hızlı uyarı bu eşiği iki pencerede birden arar:

(
  sum(rate(http_requests_total{job="odeme-api", code=~"5.."}[1h]))
  /
  sum(rate(http_requests_total{job="odeme-api"}[1h]))
) > (14.4 * 0.0005)
and
(
  sum(rate(http_requests_total{job="odeme-api", code=~"5.."}[5m]))
  /
  sum(rate(http_requests_total{job="odeme-api"}[5m]))
) > (14.4 * 0.0005)

Uzun pencere tek seferlik sıçramalarda uyarının çalmasını önler, kısa pencere ise sorun geçtikten sonra uyarının bir saat boyunca asılı kalmasını engeller. Bunun yanına daha düşük eşikli ve daha uzun pencereli (örneğin altı saat) ikinci bir kural eklemek yavaş sızıntıları yakalar; onu sayfa yerine iş kaydı olarak açtırmak çoğu ekip için yeterlidir.

Trafiği çok düşük servislerde bu yöntem iyi çalışmaz. Saatte yirmi istek alan bir serviste tek hata oranı yüzde beşe çıkarır ve uyarıyı tetikler. Öyle servislerde pencereyi uzatmak ya da sentetik isteklerle paydayı büyütmek gerekir, ikisinin de ölçümü gerçek kullanıcıdan biraz uzaklaştırdığını bilerek.

#SLO#SLI#SRE#TalosAPM