🖥️ IT ପରିଚାଳନା — ସାଇଟ୍ ନିର୍ଭରଯୋଗ୍ୟତା ଲାଇଭ୍ ମଡେଲ୍

ଆଧାର — ସଂଖ୍ୟା ପଛର ମଡେଲ୍

ସିମୁଲେଟର ବ୍ୟବହାର କରୁଥିବା ପ୍ରତ୍ୟେକ ସମ୍ପର୍କ, ନିଜ ଉତ୍ସ ସହ। ଅନୁମାନ ଭାବେ ଚିହ୍ନିତ ଧ୍ରୁବାଙ୍କ ଉଦାହରଣମୂଳକ କ୍ୟାଲିବ୍ରେସନ୍।

ଅନୁରୋଧ ଏକ ଦୈନିକ ବକ୍ର ଓ ବ୍ୟାଘାତ ଅନୁସରଣ କରେ; ମିନିଟ ପ୍ରତି ଗଣନା ଅନିୟମିତ (ପଏସନ୍, ସାଧାରଣ ଅନୁମାନ) ଟିକିଏ ଝଟକା ସହ।

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]ଧାରଣା: ୱାର୍କର ସଂଖ୍ୟା, ସେବା ସମୟ, ଡାଟାବେସ୍ କ୍ଷମତା, କ୍ୟାଶ୍ ଆକାର, ପୁନଃ ପୂରଣ ବେଗ, ମୂଲ୍ୟ ଓ ଖରାପ ବିଲ୍ଡର ତ୍ରୁଟି ହାର ମଧ୍ୟମ ୱେବ୍ ସେବା ପାଇଁ ଉଦାହରଣ ମୂଲ୍ୟ।

Erlang C: M/M/N ସିଷ୍ଟମ୍‌ରେ ଏକ ଅନୁରୋଧକୁ ଖାଲି ୱାର୍କରର ଅପେକ୍ଷା କରିବାକୁ ପଡ଼ିବାର ସମ୍ଭାବନା।

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

ଅପେକ୍ଷା ସମୟର ଲାଞ୍ଜ: t ଠାରୁ ଅଧିକ ଅପେକ୍ଷାର ସମ୍ଭାବନା ଘାତାଙ୍କୀୟ ଭାବେ କମେ; 2-s ଟାଇମଆଉଟ୍‌ରେ ଏବେ ବି ଅପେକ୍ଷାରେ ଥିବା ଅନୁରୋଧ ବିଫଳ ହୁଏ। କ୍ଷମତା ବାହାରେ, ଅତିରିକ୍ତ ବିଫଳ ହୁଏ।

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

ସେବା ସମୟ ଓ ଅପେକ୍ଷା ସମୟର କ୍ୱାଣ୍ଟାଇଲରୁ p99 ଲେଟେନ୍ସି।

p99 ≈ S·ln 100 + ln(C/0.01)/(N/S − λ) (service + waiting quantile, an approximation)[3][6]ଅନୁମାନ: ସେବା ଓ ଅପେକ୍ଷା କ୍ୱାଣ୍ଟାଇଲ୍ ଯୋଗ କରିବା ସେମାନଙ୍କ ଯୋଗଫଳର ସଠିକ୍ p99 ନୁହେଁ (ଏହା ଟିକିଏ ଅଧିକ କିମ୍ବା କମ୍ ହୋଇପାରେ); ପ୍ରତ୍ୟେକ ମିନିଟ୍ ଭିତରେ ଧାରାକୁ ସ୍ଥିର ଧରାଯାଏ କାରଣ ଅନୁରୋଧ ମିଲିସେକେଣ୍ଡ ନିଏ।

ଲିଟିଲଙ୍କ ନିୟମ: ବ୍ୟସ୍ତ ୱାର୍କର = ଆସିବା ହାର × ସେବାରେ ସମୟ।

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

TTL କ୍ୟାଶ୍: ଅନିୟମିତ ଅନୁରୋଧ ସହ, ପ୍ରତ୍ୟେକ ମିସ୍ ଏକ TTL ଅବଧି ଆରମ୍ଭ କରେ ଯେଉଁ ସମୟରେ ଅନୁରୋଧ ହିଟ୍ କରେ।

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

କ୍ୟାଶ୍ ମିସ୍ ଡାଟାବେସ୍ ଉପରେ ଲୋଡ୍ ପକାଏ; ଏହାର ଧାଡ଼ି ବିଳମ୍ବ ଏହାକୁ ଛୁଇଁଥିବା ପ୍ରତ୍ୟେକ ଅନୁରୋଧକୁ ଧୀର କରେ, ଯାହା ଆପ୍ ୱାର୍କରକୁ ମଧ୍ୟ ଭରିଦିଏ।

DB load = λ·q·(1 − hit); query time = 5 ms/(1 − ρ_db) (≤ 250 ms); S = S_app + (1 − hit)·q·query time[6]ଧାରଣା: ୱାର୍କର ସଂଖ୍ୟା, ସେବା ସମୟ, ଡାଟାବେସ୍ କ୍ଷମତା, କ୍ୟାଶ୍ ଆକାର, ପୁନଃ ପୂରଣ ବେଗ, ମୂଲ୍ୟ ଓ ଖରାପ ବିଲ୍ଡର ତ୍ରୁଟି ହାର ମଧ୍ୟମ ୱେବ୍ ସେବା ପାଇଁ ଉଦାହରଣ ମୂଲ୍ୟ।

SLO ଓ ତ୍ରୁଟି ବଜେଟ୍: ବର୍ଣ୍ଣ ରେଟ୍ କହେ ବଜେଟ୍ ଅନୁମତିଠାରୁ କେତେ ଗୁଣ ଦ୍ରୁତ ଖର୍ଚ୍ଚ ହେଉଛି।

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]

ବୁଟ୍ ବିଳମ୍ବ ଓ କୁଲଡାଉନ୍ ସହ ଲକ୍ଷ୍ୟ-ଟ୍ରାକିଂ ଅଟୋସ୍କେଲର୍।

desired = ⌈serving × utilization / target⌉ (utilization saturates at 100 %); new instances serve after the boot delay[6]ଧାରଣା: ୱାର୍କର ସଂଖ୍ୟା, ସେବା ସମୟ, ଡାଟାବେସ୍ କ୍ଷମତା, କ୍ୟାଶ୍ ଆକାର, ପୁନଃ ପୂରଣ ବେଗ, ମୂଲ୍ୟ ଓ ଖରାପ ବିଲ୍ଡର ତ୍ରୁଟି ହାର ମଧ୍ୟମ ୱେବ୍ ସେବା ପାଇଁ ଉଦାହରଣ ମୂଲ୍ୟ।

ମଡେଲରେ ବ୍ୟବହୃତ ଅନ୍ୟ ପରିଚାଳନା ସ୍ଥିରାଙ୍କ।

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 instancesଧାରଣା: ୱାର୍କର ସଂଖ୍ୟା, ସେବା ସମୟ, ଡାଟାବେସ୍ କ୍ଷମତା, କ୍ୟାଶ୍ ଆକାର, ପୁନଃ ପୂରଣ ବେଗ, ମୂଲ୍ୟ ଓ ଖରାପ ବିଲ୍ଡର ତ୍ରୁଟି ହାର ମଧ୍ୟମ ୱେବ୍ ସେବା ପାଇଁ ଉଦାହରଣ ମୂଲ୍ୟ।

ଅନିୟମିତତା: ସିଡ୍ ଥିବା mulberry32 ଜେନେରେଟର; ବ୍ୟବହୃତ ବଣ୍ଟନ — ଏକରୂପ, ଘାତାଙ୍କୀୟ (ଓଲଟା CDF), ସାଧାରଣ (Box–Muller), ପଏସନ୍ (Knuth)। ସିଡ୍ ଦେଖାଯାଏ ଏବଂ ସେୟାର୍ କରାଯାଇପାରେ।

ଉତ୍ସ

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