{"canonical_url":"https://engineer.company/nb/glossary/canary-release/","content_markdown":"# Canary release\n\n## Hva det er\n\nEn canary release sender en ny versjon av en tjeneste ut til en liten del av den\nekte trafikken først, mens versjonen den skal erstatte, fortsetter å betjene\nalle andre. Holder den nye versjonen, økes andelen trinn for trinn til den bærer\nalt, og den gamle versjonen kan fases ut. Holder den ikke, går trafikken tilbake\ntil den gamle versjonen, som aldri sluttet å kjøre, og bare den lille andelen\nrakk å merke feilen. Danilo Sato beskrev teknikken på Martin Fowlers bliki i\njuni 2014 og nevner at den også kalles phased rollout eller incremental rollout.\nI Kubernetes-verdenen sier man oftere canary deployment, og på norsk ser man\nogså canary-utrulling. Argo Rollouts, en Kubernetes-kontroller som legger til\nutrullingsstrategier av dette slaget, kaller innstillingen `canary`.\n\nNavnet kommer fra kullgruvene. Gruvearbeiderne tok med seg en kanarifugl i bur\nned i gruva, fordi gass som lekket inn, ville påvirke fuglen før den\npåvirket menneskene, og fuglens tegn på ubehag var varselet om å komme seg ut. Den lille\nandelen trafikk spiller samme rolle: den møter problemet først, mens det\nfortsatt er tid til å handle.\n\nHvem som havner i andelen, er et valg. Sato nevner et tilfeldig utvalg av\nbrukerne, selskapets egne ansatte før resten av verden og brukere valgt ut etter\nprofil eller demografi. Store systemer deler ofte langs skillelinjer de allerede\nhar: én region, ett bestemt sted eller én merkevare først. Ifølge Sato brukte\nFacebook flere canaries, der den første bare var synlig for selskapets egne\nansatte og hadde alle funksjonsflagg slått på, slik at problemer med nye\nfunksjoner viste seg tidlig.\n\nForskjellen fra blue-green deployment ligger i hvordan trafikken flyttes.\nBlue-green bygger en komplett ekstra kopi og flytter all trafikk i ett skifte,\nmens den gamle kopien står klar som veien tilbake. En canary flytter trafikken\ngradvis, så to versjoner i en periode betjener ekte brukere side om side. En\nrullerende utrulling har også to versjoner i drift samtidig, men den bytter ut\ninstanser så fort de blir klare, uten en pause for å vurdere hvordan den nye\nversjonen klarer seg. En canary stopper ved hvert trinn og venter på et svar.\n\n## Hvorfor det er viktig\n\nNoen feil viser seg bare i produksjon: under ekte belastning, med ekte data og\nmed den faktiske blandingen av klienter. Et stagingmiljø kan komme nær, men blir\naldri identisk. En canary godtar det og begrenser heller skaden. Når hver\ntjuende forespørsel treffer den nye versjonen, går en dårlig utgivelse ut over\nhver tjuende forespørsel så lenge det tar å oppdage den, og løsningen er å sende\nden andelen tilbake.\n\nSato peker på en annen gevinst: kapasitetstesting. Når andelen skrus sakte opp,\nser man hvordan den nye versjonen oppfører seg under økende produksjonslast, med\nen trygg vei tilbake, i stedet for å bygge et eget miljø bare for lasttester.\nIkke noe testmiljø kommer nærmere produksjon enn produksjonen selv.\n\nHaken er at en canary aldri er bedre enn signalet som vurderer den. Feil,\nsvartider og forretningstallene som betyr noe, som registreringer, betalinger\neller bestillinger, må være synlige per versjon og tidlig nok til å stoppe neste\ntrinn. Uten det er en canary bare en langsom utrulling med ekstra venting. Sato\nforteller at IMVU var først ute med det som kalles et «cluster immune system»:\nman følger med på forretningstallene og ruller automatisk tilbake en utgivelse\nved en statistisk signifikant regresjon.\n\nDet er også løpende kostnader. To eller flere versjoner er i drift samtidig, og\nalt de deler (databasen, en cache, en kø, API-et klientene kaller), må fungere\nmed begge så lenge det pågår. Sato råder til å holde antallet samtidige\nversjoner på et minimum. Teknikken passer også dårlig for programvare som er\ninstallert på brukernes egne datamaskiner eller telefoner, der leverandøren ikke\nbestemmer når oppgraderingen skjer. Der foreslår han at backenden støtter begge\nversjonene, at man følger med på hvilke klientversjoner som fortsatt er i bruk,\nog at den gamle først fjernes når andelen dens har falt tilstrekkelig.\n\n## Slik ser det ut i praksis\n\nI sin enkleste form er en canary på Kubernetes to Services, én som velger de\nstabile podene og én som velger canary-podene, pluss en rute som vekter\ntrafikken mellom dem. Med Gateway API ligger vektene i en HTTPRoute:\n\n```yaml\napiVersion: gateway.networking.k8s.io/v1\nkind: HTTPRoute\nmetadata:\n  name: web\nspec:\n  parentRefs:\n    - name: prod-web\n  hostnames:\n    - \"www.example.com\"\n  rules:\n    - backendRefs:\n        - name: web-stable\n          port: 8080\n          weight: 95\n        - name: web-canary\n          port: 8080\n          weight: 5\n```\n\nVekter er forholdstall, ikke prosenter: hver backend får vekten sin delt på\nsummen av vektene i regelen, så 95 og 5 sender hver tjuende forespørsel til\ncanary-versjonen. En utelatt vekt teller som 1, og en vekt på 0 sender\ningenting. Gateway API-veiledningen om trafikkdeling viser også en regel som\nmatcher en header i forespørselen, `traffic: test` i eksempelet, og bare sender\nde forespørslene til den nye versjonen, så testere kan nå den før noen kunde\ngjør det. Å flytte canary-versjonen fram er å endre to tall; å trekke den\ntilbake er å sette vekten dens til 0.\n\nArgo Rollouts automatiserer trinnene. En `Rollout` trer i stedet for en\n`Deployment` med samme pod-mal og angir trinnene kontrolleren går gjennom hver\ngang malen endres:\n\n```yaml\napiVersion: argoproj.io/v1alpha1\nkind: Rollout\nmetadata:\n  name: web\nspec:\n  replicas: 10\n  selector:\n    matchLabels:\n      app: web\n  template:\n    metadata:\n      labels:\n        app: web\n    spec:\n      containers:\n        - name: web\n          image: registry.example.com/web:1.4.2\n  strategy:\n    canary:\n      maxSurge: \"25%\"\n      maxUnavailable: 0\n      steps:\n        - setWeight: 10\n        - pause:\n            duration: 1h\n        - setWeight: 20\n        - pause: {}\n```\n\nUten en trafikkruter tilnærmer Argo vekten med antall pods: ti replikaer ved 10\nprosent gir én canary-pod og ni stabile. Den første pausen varer en time; den\nandre varer til noen bestemmer seg. En utgivelse og de to mulige utfallene ser\nslik ut:\n\n```sh\nkubectl argo rollouts set image web web=registry.example.com/web:1.5.0\n# ved pausen uten tidsgrense: enten videre ...\nkubectl argo rollouts promote web\n# ... eller stopp og sett den stabile versjonen foran alle igjen\nkubectl argo rollouts abort web\n```\n\nAlt i det forløpet avhenger av at man under pausen kan se om canary-versjonen\ngjør det dårligere enn versjonen den erstatter. Det er arbeidet bak tjenesten\n[Pålitelighet og overvåking](/nb/services/site-reliability/), som handler om\nvarsler som sier fra mens en feil fortsatt er liten. Den\n[egenutviklede feilovervåkingen og sporingen](/nb/portfolio/built-first-party-error-monitoring-and-tracing/)\nfra 2025 viser hvordan et slikt signal ser ut: feil grupperes i gjentakende\nproblemer i stedet for en flat liste, og topper og regresjoner oppdages med en\navkjølingsperiode, slik at én dårlig produksjonssetting ikke varsler noen førti\nganger. Det er akkurat det et canary-trinn trenger: en regresjon som melder seg\nselv innenfor pausen, og ikke en som en bruker snubler over neste morgen.\n\n## Hvor det går galt\n\n**Canary-versjonen er for liten til å si noe.** Én pod av ti i et stille tidsrom\nbetjener kanskje noen hundre forespørsler i løpet av pausen, og en feil som\nrammer hver tusende forespørsel, viser seg aldri. Klokka er feil mål; antallet\nforespørsler canary-versjonen har betjent, er det riktige. Avstem andel og pause\nslik at en sjelden feil får sjansen til å dukke opp flere ganger, og hold et\ntrinn lenger om natta enn midt på dagen.\n\n**Dashbordene kan ikke skille canary fra stabil.** En canary-versjon med en\nfeilrate som ligger to prosentpoeng over den stabile versjonens, legger ved en\nandel på 5 prosent bare omtrent én feil per tusen forespørsler til den samlede\nfeilraten. På et dashbord med én feilrate for hele tjenesten er det usynlig. Gi\ncanary-pods og stabile pods hver sin label, som Argo Rollouts legger til via\n`canaryMetadata` og `stableMetadata`, ta labelen med inn i målingene, og\nsammenlign canary-versjonen med den stabile i stedet for med en fast grense. En\n`analysis` som kjører i bakgrunnen på en Rollout, avbryter oppdateringen hvis\nden feiler.\n\n**Begge versjonene skriver til de samme dataene.** Så lenge utrullingen pågår,\nleser og skriver gammel og ny kode i samme database, og med tilfeldig fordeling\nkan én brukers forespørsler treffe begge i løpet av ett minutt. En ny kolonne\nsom den gamle versjonen aldri fyller ut, eller et format den ikke kan lese, blir\ntil feil på den stabile siden, altså den delen som skulle være trygg. Satos svar\ner parallel change: databasen støtter begge versjonene av applikasjonen under\nhele utrullingen, og den gamle strukturen fjernes først når den gamle versjonen\ner borte.\n\n**En abort stopper trafikken, ikke endringen.** `kubectl argo rollouts abort`\nsender trafikken tilbake til det stabile ReplicaSet, men spesifikasjonen i\n`Rollout`-objektet peker fortsatt på det nye imaget, og forlater objektet den\navbrutte tilstanden, går det mot den versjonen igjen. Tilbakerullingen er først\nfullført når malen er satt tilbake til forrige versjon. Ligger spesifikasjonen i\net repo, skal endringen gjøres der, slik at kilden og klyngen er enige om hva\nsom skal kjøre.\n\n**Canary-versjonen brukes også som A/B-test.** Rutingen er den samme, så det er\nfristende å måle en ny funksjons effekt på konverteringen med canary-trafikken.\nSato råder til å holde de to fra hverandre: en canary jakter på problemer og bør\nvære ferdig i løpet av minutter eller timer, mens et eksperiment tester en\nhypotese og kan trenge flere dager med data for å bli statistisk signifikant.\nHvis canary-versjonen vurderes etter forretningstall, blir dommen dessuten\nforstyrret av den effekten eksperimentet skal framkalle. Gi ut med en canary, og\nkjør eksperimentet etterpå bak en egen oppdeling, for eksempel et\nfunksjonsflagg, når versjonen er ute.\n\n## Les mer\n\n- [Canary Release](https://martinfowler.com/bliki/CanaryRelease.html)\n  — Danilo Satos beskrivelse fra 2014 på Martin Fowlers bliki: valg av brukere,\n  kapasitetstesting, A/B-tester og databasen.\n- [Argo Rollouts: Canary](https://argo-rollouts.readthedocs.io/en/stable/features/canary/)\n  — trinn og pauser, vekter tilnærmet med antall pods og skalering med en\n  trafikkruter.\n- [HTTP traffic splitting](https://gateway-api.sigs.k8s.io/guides/user-guides/traffic-splitting/)\n  — Gateway API-veiledningen om vektede backends og en canary-rute som matcher\n  på en header.\n- [kubectl argo rollouts abort](https://argo-rollouts.readthedocs.io/en/stable/generated/kubectl-argo-rollouts/kubectl-argo-rollouts_abort/)\n  — hva en abort gjør med trafikken, og hva den etterlater i spesifikasjonen.\n\n\u003chttps://engineer.company/nb/glossary/canary-release/\u003e\n","date_modified":"2026-11-12T05:34:23Z","description":"En ny versjon får først en liten del av den ekte trafikken: hvordan andelen styres, hva som vurderer den, og når en liten andel ikke sier nok.","formats":{"gemtext":"https://engineer.company/nb/glossary/canary-release/index.gmi","gopher":"https://engineer.company/nb/glossary/canary-release/gophermap","html":"https://engineer.company/nb/glossary/canary-release/","json":"https://engineer.company/nb/glossary/canary-release/index.json","markdown":"https://engineer.company/nb/glossary/canary-release/index.md","pdf":"https://engineer.company/nb/glossary/canary-release/index.pdf"},"kind":"page","language":"nb","title":"Hva er en canary release?","url":"https://engineer.company/nb/glossary/canary-release/","version":1}