🖥️ IT ოპერაციები — საიტის საიმედოობა ცოცხალი მოდელი

საფუძველი — რიცხვების უკან მდგომი მოდელი

ყველა დამოკიდებულება, რომელსაც სიმულატორი იყენებს, წყაროთურთ. დაშვებად მონიშნული მუდმივები საილუსტრაციო კალიბრაციებია.

მოთხოვნები დღიურ მრუდს მიჰყვება პლუს შეფერხებები; წუთში რაოდენობა შემთხვევითია (პუასონი, ნორმალური მიახლოება) მცირედი აფეთქებებით.

λ(t) = base × (1 + 0.25·sin(2π(t + clock − 6 h)/24 h)) × surge(t), clock = time of day at the start (peak at 12:00); count/min ≈ N(60λ, √(60λ)) × (1 + N(0, 0.02))[6]დაშვება: ვორკერების რაოდენობა, მომსახურების დროები, მონაცემთა ბაზის ტევადობა, ქეშის ზომა, შევსების სიჩქარე, ფასები და ცუდი ბილდის შეცდომის სიხშირე საილუსტრაციო მნიშვნელობებია საშუალო ზომის ვებ-სერვისისთვის.

ერლანგ C: ალბათობა იმისა, რომ მოთხოვნას თავისუფალი ვორკერის ლოდინი მოუწევს M/M/N სისტემაში.

N = instances × 16 workers, a = λ·S; C(a, N) = B / (1 − (a/N)(1 − B)), B = Erlang B[3][6]

ლოდინის დროის კუდი: t-ზე მეტხანს ლოდინის ალბათობა ექსპონენციალურად ეცემა; მოთხოვნები, რომლებიც 2 წმ-იან ვადაზე ჯერ კიდევ ელოდებიან, წყდებიან. ტევადობის მიღმა ზედმეტი ნაწილი იშლება.

P(W > t) = C·e^(−(N/S − λ)·t); timeouts = P(W > 2 s); a ≥ N ⇒ failed share = 1 − N/a[3]

p99 დაგვიანება მომსახურებისა და ლოდინის დროების კვანტილებიდან.

p99 ≈ S·ln 100 + ln(C/0.01)/(N/S − λ) (service + waiting quantile, an approximation)[3][6]მიახლოება: მომსახურებისა და ლოდინის კვანტილების შეკრება მათი ჯამის ზუსტი p99 არ არის (შეიძლება ცოტა მაღალი ან დაბალი იყოს); რიგი ყოველ წუთში სტაციონარულად განიხილება, რადგან მოთხოვნები მილიწამებს გრძელდება.

ლიტლის კანონი: დაკავებული ვორკერები = შემოსვლის სიჩქარე × მომსახურების დრო.

busy workers L = λ·S ⇒ utilization = λ·S / N[4]

TTL ქეში: შემთხვევითი მოთხოვნებისას ყოველი აცდენა იწყებს TTL პერიოდს, რომლის განმავლობაში მოთხოვნები ხვდება.

hit = warm × rT/(1 + rT), r = λ / 20,000 objects; mean age of a cached answer ≈ T/2[5]

ქეშის აცდენები მონაცემთა ბაზას ტვირთავს; მისი რიგის დაგვიანება ანელებს ყოველ მოთხოვნას, რომელიც მას ეხება, რაც აპლიკაციის ვორკერებსაც ავსებს.

DB load = λ·q·(1 − hit); query time = 5 ms/(1 − ρ_db) (≤ 250 ms); S = S_app + (1 − hit)·q·query time[6]დაშვება: ვორკერების რაოდენობა, მომსახურების დროები, მონაცემთა ბაზის ტევადობა, ქეშის ზომა, შევსების სიჩქარე, ფასები და ცუდი ბილდის შეცდომის სიხშირე საილუსტრაციო მნიშვნელობებია საშუალო ზომის ვებ-სერვისისთვის.

SLO და შეცდომების ბიუჯეტი: ხარჯვის სიჩქარე გვეუბნება, რამდენჯერ უფრო სწრაფად იხარჯება ბიუჯეტი დაშვებულზე.

budget = 1 − SLO = 0.1 %; burn = error rate / 0.1 %; Δbudget per min = burn / 43,200; burn (1 h) = mean error rate over the last 60 min / 0.1 % (window pre-filled with the opening minute)[1][2]

სამიზნის მიმდევარი ავტომასშტაბერი ჩატვირთვის დაგვიანებითა და გაგრილების პერიოდით.

desired = ⌈serving × utilization / target⌉ (utilization saturates at 100 %); new instances serve after the boot delay[6]დაშვება: ვორკერების რაოდენობა, მომსახურების დროები, მონაცემთა ბაზის ტევადობა, ქეშის ზომა, შევსების სიჩქარე, ფასები და ცუდი ბილდის შეცდომის სიხშირე საილუსტრაციო მნიშვნელობებია საშუალო ზომის ვებ-სერვისისთვის.

მოდელის მიერ გამოყენებული სხვა საექსპლუატაციო მუდმივები.

16 workers/instance · app time 50 ms (+20 ms and +1 query with the feature on) · 2 queries/request · DB 4,000 queries/s · 20,000 hot objects · cache refill τ = 30 min (slower while the DB is saturated) · warm-up job +12 %/min for 6 min, +600 queries/s · timeout 2 s · 30 % low-priority traffic · bad build +5 % errors, ×1.25 CPU · rollback 5 min · $0.40 per instance-hour · scale-in by ≤ 20 % of the fleet after 10 quiet minutes · up to 40 instancesდაშვება: ვორკერების რაოდენობა, მომსახურების დროები, მონაცემთა ბაზის ტევადობა, ქეშის ზომა, შევსების სიჩქარე, ფასები და ცუდი ბილდის შეცდომის სიხშირე საილუსტრაციო მნიშვნელობებია საშუალო ზომის ვებ-სერვისისთვის.

შემთხვევითობა: სიდიანი mulberry32 გენერატორი; გამოყენებული განაწილებები — თანაბარი, ექსპონენციალური (შებრუნებული CDF), ნორმალური (ბოქს–მიულერი), პუასონის (კნუტი). სიდი ნაჩვენებია და გაზიარებადია.

წყაროები

1. Site Reliability Engineering — Ch. 3 Embracing Risk (error budgets), Ch. 4 Service Level Objectives — Beyer, Jones, Petoff, Murphy (eds.), O'Reilly, 2016
2. The Site Reliability Workbook — Ch. 5 Alerting on SLOs (burn rate; 14.4× over 1 h = 2 % of a 30-day budget) — Beyer, Murphy, Rensin, Kawahara, Thorne (eds.), O'Reilly, 2018
3. Teletraffic Engineering Handbook — Erlang C formula; waiting-time distribution for M/M/n, FCFS — ITU-D Study Group 2 Question 16/2 (V. B. Iversen), 2005
4. J. D. C. Little — A Proof for the Queuing Formula: L = λW — Operations Research 9(3):383–387, 1961
5. J. Jung, A. W. Berger, H. Balakrishnan — Modeling TTL-based Internet Caches — IEEE INFOCOM 2003, 2003
6. M. Harchol-Balter — Performance Modeling and Design of Computer Systems: Queueing Theory in Action (M/M/k, server farms, capacity provisioning) — Cambridge University Press, 2013