objetivo de nivel de servicio

Qué es

Un objetivo de nivel de servicio es una meta sobre el comportamiento
de un servicio, redactada con tanta precisión que cualquiera pueda
comprobar si se cumplió: una proporción de solicitudes que deben
tener éxito o recibir respuesta con suficiente rapidez durante un
periodo determinado. Casi todo el mundo lo abrevia como SLO. El
libro Site Reliability Engineering de Google lo define como un valor
objetivo, o un intervalo de valores, para un nivel de servicio
medido mediante un indicador.

El indicador de nivel de servicio, o SLI, es una magnitud
cuidadosamente definida para describir un aspecto del servicio que
realmente reciben los usuarios. La latencia de las solicitudes suele
ser la primera opción, seguida de cerca por la tasa de errores y la
tasa de procesamiento. El SRE Workbook recomienda expresar cada SLI
como una razón, eventos correctos divididos entre todos los eventos,
para que vaya del 0 %, donde nada funciona, al 100 %, donde nada
falla. El objetivo es entonces una línea en esa escala: el indicador
debe mantenerse del lado correcto de la meta o entre un límite
inferior y otro superior.

Un objetivo completo especifica todo lo necesario para comprobarlo.
El ejemplo del libro dice: el 99 % de las llamadas RPC Get termina
en menos de 100 ms, con el porcentaje promediado durante un minuto y
la medición en todos los servidores backend. Un indicador puede
tener varios objetivos a la vez, como el 90 % de las llamadas en
menos de 1 ms, el 99 % en menos de 10 ms y el 99,9 % en menos de 100
ms, porque un solo percentil rara vez describe una distribución
completa. El Workbook también separa la especificación, el resultado
que importa al usuario, de la implementación, el lugar donde se
mide: un registro del servidor, una sonda que ejecuta un navegador o
código en la propia página. Cada opción detecta fallos distintos, y
la elección debe constar en la definición.

Un SLO no es un SLA. Un acuerdo de nivel de servicio es un contrato
con los usuarios, explícito o implícito, que asigna consecuencias al
cumplimiento o incumplimiento de sus objetivos. Las más visibles son
un reembolso o una penalización. La prueba que propone el libro
consiste en preguntar qué ocurre si no se cumple el objetivo: si no
hay una consecuencia explícita, es un SLO. Una nota al pie añade que
quienes hablan de incumplir un SLA casi siempre se refieren a un SLO
no alcanzado: un incumplimiento real de un SLA puede acabar en los
tribunales por incumplimiento contractual. El libro señala que la
búsqueda de Google no tiene un SLA para el público, pero una
interrupción sigue costando reputación e ingresos publicitarios.

Por qué importa

Sin un objetivo declarado, los usuarios inventan el suyo. El libro
SRE describe las dos formas de equivocarse: personas que confían en
un servicio más de lo debido y posibles usuarios que creen que es
menos fiable de lo que es y lo evitan. Su ejemplo es Chubby, el
servicio de bloqueos de Google para sistemas distribuidos. Sus
interrupciones globales eran tan raras que otros servicios acabaron
dependiendo de que nunca fallara, sin que esa dependencia llamara la
atención; esos servicios fallaban las pocas veces que ocurría. La
respuesta fue hacer que la instancia global cumpliera su SLO sin
superarlo demasiado. En cualquier trimestre en que los fallos reales
no hubieran reducido la disponibilidad por debajo del objetivo, SRE
detenía el sistema a propósito.

El objetivo también resuelve la discusión sobre cuánta fiabilidad es
suficiente. «Una fiabilidad del 100 % es el objetivo equivocado»,
escribe el SRE Workbook, y sus razones son prácticas. Los
componentes pueden fallar a la vez, sea cual sea su diseño. La
cadena de redes y dispositivos entre un servicio y sus clientes
también falla, así que los clientes nunca verían ese 100 %. Cada
nueve adicional cuesta más que el anterior mientras su valor para
los usuarios se acerca a cero. Y, como los cambios son la principal
causa de interrupciones, un servicio que nunca puede fallar tampoco
puede actualizarse. Una vez que el objetivo está por debajo del 100
i%, la distancia entre él y la perfección deja margen para		engineer.company	70
lanzamientos, experimentos y mantenimiento planificado: el
presupuesto de errores, que es sencillamente el 100 % menos el SLO.
Alguien debe responsabilizarse de ese equilibrio entre entregar
funciones y mantener el servicio disponible. El Workbook señala al
CTO en una organización pequeña y al responsable o gestor de
producto en una mayor.

Por último, el objetivo convierte la monitorización en decisiones.
El libro describe un ciclo: medir los indicadores, compararlos con
los objetivos, decidir si hay que hacer algo y hacerlo. Si la
latencia sube y cruzará el límite en unas horas, el equipo comprueba
si la CPU es el cuello de botella en los servidores y añade más. Sin
el objetivo, señala el libro, nadie puede decir si debe actuar ni
cuándo.

Cómo se aplica en la práctica

Considere una API de finalización de compra con un objetivo
redactado como propone el Workbook: con el indicador separado del
lugar donde se mide, una ventana declarada y el razonamiento
documentado a su lado:

```text
Servicio:    API de finalización de compra
SLI:         fracción de solicitudes POST /checkout respondidas sin estado 5xx,
             contadas en el registro de solicitudes del servidor
Objetivo:    99.9% en una ventana móvil de 28 días
Motivo:      observacional, redondeado a la baja con datos de cuatro semanas
Responsable: gestor de producto, con los ingenieros de guardia
Revisión:    mensual hasta estabilizarse; después, trimestral
```

La ventana importa tanto como el porcentaje. El Workbook prefiere
una ventana móvil a un mes natural, porque los usuarios no olvidan
una interrupción del último día del mes cuando empieza el siguiente.
También prefiere un número entero de semanas, para que todas las
ventanas tengan el mismo número de fines de semana. Cuatro semanas
es su opción de uso general. Esa ventana equivale a 28 × 24 × 60 =
40.320 minutos, y el 0,1 % equivale a algo más de 40 minutos de
interrupción completa. En un mes de 30 días, el mismo 99,9 % permite
43,2 minutos, la cifra de la tabla de disponibilidad del libro.

Contar el tiempo es, sin embargo, la forma menos precisa. El libro
SRE explica que Google mide la disponibilidad como tasa de éxito de
las solicitudes, en lugar de tiempo en funcionamiento, porque un
servicio distribuido por el mundo rara vez está completamente
disponible o completamente caído. Expresado en solicitudes, el
ejemplo del Workbook queda así: con un 99,9 %, 3 millones de
solicitudes en cuatro semanas dejan margen para 3.000 fallos, y una
interrupción que provoque 1.500 consume la mitad del presupuesto.
Contar solicitudes también carga al presupuesto los fallos parciales
que no refleja el tiempo en funcionamiento. Con tráfico estable, 20
minutos durante los que falla la mitad de las solicitudes cuestan lo
mismo que 10 minutos de interrupción total: aproximadamente una
cuarta parte del presupuesto de 28 días.

En Prometheus, con un contador de solicitudes etiquetado por estado,
el indicador de la ventana es una sola razón, basada en el propio
ejemplo del Workbook:

```promql
sum(rate(http_requests_total{job="checkout", status!~"5.."}[28d]))
  /
sum(rate(http_requests_total{job="checkout"}[28d]))
```

En este sitio, la página de niveles de servicio está del lado de los
acuerdos. Para un sistema que la empresa opera por cuenta de un
cliente, el tiempo de respuesta a un incidente, las horas cubiertas,
la disponibilidad exigida y las ventanas de mantenimiento se
escriben en el acuerdo de ese sistema. Se establecen por sistema
porque un informe nocturno y un servicio de pagos necesitan
respuestas distintas. La monitorización propia de errores y el
trazado construidos por la fundadora como parte de su trabajo actual
en NextMariner se muestran en una serie de vistas para operadores,
una de ellas dedicada a los objetivos de nivel de servicio. Y la
nota sobre vender la última entrada exactamente una vez convierte
una invariante de existencias en uno: compruébela según un
calendario, represéntela en un gráfico y avise al personal de
guardia ante cualquier desviación. Así, cero sobreventas se
convierte en un objetivo respaldado por una alerta, no en una
esperanza.

Dónde surgen los problemas

El objetivo se copia del panel del mes pasado. Adoptar lo que logra
hoy el sistema parece seguro, pero el libro SRE advierte de que
fijar un objetivo sin reflexión puede obligar al equipo a esfuerzos
heroicos para seguir cumpliéndolo en un sistema que no puede mejorar
sin rediseñarse. Parta de las necesidades del usuario y defina el
objetivo a partir de ellas. Escriba el razonamiento junto a la
cifra: el Workbook pide tanto la justificación como si los valores
provienen de experimentos o de observaciones, incluso cuando se
reconozca que son valores ad hoc. Revise el documento cada mes al
principio y cada trimestre cuando se estabilice.

El objetivo es el 100 % o una cadena de nueves cuyo coste nadie ha
calculado. Construir y operar un sistema siempre disponible o que
escale sin límite cuesta mucho, y ofrece más de lo que los usuarios
notarían. Empiece con un objetivo poco exigente y hágalo más
estricto conforme conozca el sistema. El libro lo prefiere a un
objetivo estricto que después haya que relajar por resultar
inalcanzable.

Una media sustituye a lo que perciben los usuarios. En el ejemplo
del libro, una solicitud típica tarda unos 50 ms, mientras que el 5
i% tarda veinte veces ese tiempo, y un gráfico de la media no muestra		engineer.company	70
que pase nada durante todo el día. Redacte los objetivos de latencia
como percentiles o como proporción de solicitudes por debajo de un
umbral, por ejemplo, 300 ms. Nunca como una media.

Hay más objetivos de los que se pueden defender. Una docena de SLO
por servicio diluye la importancia de todos. La prueba del libro es
clara: si citar un objetivo nunca permite ganar una discusión sobre
prioridades, probablemente no merezca la pena tenerlo. Conserve los
pocos que cubran lo que los usuarios hacen realmente.

Incumplir el objetivo no cambia nada. El Workbook lo llama un SLO
sin efecto práctico: el cumplimiento se convierte en otro KPI de un
informe, en lugar de una razón para decidir algo. Acuerde de
antemano qué ocurre cuando se agota el presupuesto y haga que lo
firmen el gestor de producto, los desarrolladores y los SRE. La
política de presupuesto de errores del ejemplo del Workbook suspende
los cambios habituales mientras el servicio esté fuera de su
objetivo. Solo permite corregir los errores de mayor prioridad y
realizar trabajo de seguridad, y dice expresamente que la política
no es un castigo.

El SLO tiene la misma cifra que el SLA. Cuando el objetivo interno
coincide con el contrato, la primera noticia del problema es el
incumplimiento. El libro recomienda un objetivo interno más estricto
que el anunciado, como margen ante problemas persistentes. El error
opuesto también importa: un servicio que funciona mucho mejor que su
objetivo enseña a los usuarios a depender de ese comportamiento. Por
eso el libro sugiere interrupciones planificadas ocasionales,
limitación de solicitudes o un sistema que no sea más rápido cuando
tenga poca carga.

La ventana es más larga que los datos. Un objetivo de 28 días
calculado en un servidor Prometheus que solo conserve 15 días de
muestras, el valor predeterminado si no se establece la retención,
mide sin avisar 15 días y los presenta como cuatro semanas.
Configure una retención superior a la ventana antes de confiar en la
cifra:

```text
prometheus --storage.tsdb.retention.time=35d
```

Lecturas adicionales

  * Objetivos de nivel de servicio — el capítulo 4 del libro Site
Reliability Engineering de Google: indicadores, objetivos y
acuerdos, y cómo elegir una meta.

  * Implementar SLO — el capítulo del SRE Workbook sobre los SLI
como razones, los presupuestos de errores, las ventanas y la
documentación del objetivo.

  * Ejemplo de política de presupuesto de errores — una política
completa para un servicio ficticio de juegos: cuándo se detienen los
lanzamientos y quién resuelve un desacuerdo.

  * Aceptar el riesgo — por qué Google mide la disponibilidad según
el éxito de las solicitudes y no por el tiempo en funcionamiento, y
cuánto cuesta cada aumento de fiabilidad.

  * Tabla de disponibilidad — cuánto tiempo de inactividad permite
cada nivel de disponibilidad por año, trimestre, mes, semana, día y
hora.

  * Almacenamiento — cómo Prometheus conserva las muestras en disco
y qué opciones de retención determinan hasta dónde puede retroceder
una consulta de SLO.

hEsta página en la web	URL:https://engineer.company/es/glossary/service-level-objective/	engineer.company	70
