Elegir SLI: el método práctico, de las consultas DQL a los objetivos

Elegir SLI sin equivocarte: parte de los recorridos de usuario, define los eventos buenos, mide el histórico con DQL y fija un objetivo sostenible.
Choisir ses SLI : la méthode pratique, des requêtes DQL aux objectifs

Un equipo crea veinte SLO en una tarde, uno por cada métrica disponible. Tres meses después, nadie los mira: están todos en verde mientras los usuarios se quejan. El problema no es la herramienta, es el método para elegir SLI.

El objetivo de este tutorial: aplicar un método en cinco pasos para elegir SLI a partir del recorrido del usuario, escribirlos en DQL, medir su histórico y deducir objetivos realistas. Las consultas apuntan a Dynatrace SaaS (Grail); el planteamiento vale también para Dynatrace Managed, con expresiones de métricas en lugar de DQL.

Para el contexto general de SRE, consulta IA y fiabilidad: lo que deben saber los SRE.

Qué es un buen SLI

Un buen indicador de nivel de servicio (SLI) cumple tres condiciones:

  • refleja lo que siente el usuario (una página que no carga), no el estado de una máquina (una CPU al 90 %);
  • se expresa como ratio: eventos buenos / eventos válidos, entre 0 y 100 %;
  • se mueve cuando el servicio se degrada, y solo en ese caso.

La CPU, la memoria o el número de pods siguen siendo útiles para el diagnóstico. No son SLI.

Requisitos previos

  • SaaS: acceso a Notebooks y lectura de los spans y de las métricas de servicio en Grail.
  • Managed: acceso al Data Explorer y a las métricas builtin:service.*.
  • Al menos 14 días de datos del servicio estudiado, para cubrir dos ciclos semanales.
  • Una hora con el product owner: el método empieza con una conversación, no con una consulta.

Elegir SLI en 5 pasos

Paso 1: listar los recorridos críticos

Pregunta: «Si esta acción falla, ¿quién llama al soporte?». Quédate con tres a cinco recorridos como máximo. Ejemplo para una tienda:

Recorrido Servicio de entrada Lo que espera el usuario
Buscar un producto search Resultados rápidos
Añadir al carrito cart Una acción que funciona
Pagar checkout Un pago confirmado, sin errores

Paso 2: asociar un tipo de SLI a cada recorrido

  • Disponibilidad: peticiones sin error / peticiones válidas.
  • Latencia: peticiones por debajo de un umbral / peticiones válidas.
  • Calidad: respuestas completas (sin resultado degradado) / respuestas.
  • Frescura (procesos asíncronos): datos actualizados hace menos de N minutos / datos.

Para la búsqueda: latencia. Para el carrito: disponibilidad. Para el pago: disponibilidad y latencia.

Paso 3: definir con precisión los eventos válidos y buenos

Es el paso que más se hace deprisa y mal. Escríbelo negro sobre blanco:

  • válido: petición de servidor al endpoint de pago, sin health checks y sin tráfico sintético;
  • bueno: respuesta sin error de servidor (un error 4xx debido al cliente sigue siendo «bueno» para el servicio).

Esta definición decide qué consume el presupuesto de error (error budget). Haz que la valide el equipo de producto.

Paso 4: medir el histórico en DQL

Disponibilidad por día durante 14 días, a partir de los spans:

fetch spans, from: now() - 14d
| filter service.name == "checkout" and span.kind == "server"
| filterOut contains(url.path, "/health")
| makeTimeseries {
    total = count(),
    erreurs = countIf(span.status_code == "error")
  }, interval: 1d
| fieldsAdd dispo = 100 * (total[] - erreurs[]) / total[]

Distribución de la latencia, para elegir el umbral:

fetch spans, from: now() - 14d
| filter service.name == "search" and span.kind == "server"
| summarize p50 = percentile(duration, 50),
            p90 = percentile(duration, 90),
            p99 = percentile(duration, 99)

Líneas críticas: filterOut aparta los health checks del denominador. El campo url.path depende de tu instrumentación; adáptalo. Si tus servicios están instrumentados con OneAgent, la métrica dt.service.request.count y su equivalente dt.service.request.failure_count dan el mismo resultado más rápido (nombres que debes comprobar en la documentación de Dynatrace). Sobre 14 días, una consulta sobre spans puede resultar cara: lánzala una vez, no en bucle.

En Managed, abre el Data Explorer con builtin:service.errors.server.rate y builtin:service.response.time (percentiles), dividido por día.

Paso 5: deducir objetivos realistas

Regla sencilla: parte de lo que el servicio ya hace, algo por debajo, y aprieta después si los usuarios lo exigen.

  • Disponibilidad medida entre 99,82 % y 99,97 % por día: un objetivo de 99,5 % en 28 días es sostenible y deja un presupuesto utilizable.
  • Latencia p90 en 320 ms, p99 en 1,1 s: un umbral de 500 ms con un objetivo del 95 % refleja la experiencia habitual sin alertar por la cola de la distribución.

Un objetivo del 100 % impide cualquier cambio. Un objetivo por encima del rendimiento actual está en alerta permanente. Ambos son inútiles.

La trampa de los SLI de infraestructura

Un nodo de Kubernetes puede caer sin que ningún usuario lo note, gracias a las réplicas. A la inversa, una base de datos saturada puede ralentizar cada pago aunque todos los pods estén «healthy». Mantén por tanto las señales de infraestructura en tus dashboards y en tus alertas de diagnóstico, y reserva los SLI para las señales que ve el usuario. Esta separación reduce el ruido de la guardia (on-call) y hace creíble el error budget ante producto.

Cómo comprobar que funciona

  1. Reproduce un incidente pasado: en su día, el SLI debe caer con claridad. Si se queda plano, el SLI no mide lo que viven los usuarios.
  2. Comprueba que un día tranquilo se mantiene por encima del objetivo: si no, el objetivo es demasiado alto.
  3. Crea el SLO y mira el error budget restante en 28 días: debe ser positivo sin estar siempre al 100 %.

La creación de los propios SLO se detalla en crear un SLO OpenTelemetry con DQL.

Buenas prácticas

  • Tres a cinco SLI por servicio como máximo: más allá, nadie los lee.
  • Mide lo más cerca posible del usuario (load balancer, servicio de entrada, RUM) en lugar de en la base de datos.
  • Documenta la definición de cada SLI junto a su consulta, con la fecha de revisión.
  • Revisa los objetivos cada trimestre con producto, sin culpables (blameless): un SLO incumplido es un dato, no una falta.
  • Conecta después alertas de burn rate de SLO para recibir un aviso antes de que se agote el presupuesto.

Preguntas frecuentes

¿Hace falta un SLI distinto por endpoint?

No. Agrupa los endpoints de un mismo recorrido. Aísla solo un endpoint crítico cuyo comportamiento difiera mucho (el pago, por ejemplo).

¿Percentil o ratio para la latencia?

El ratio «peticiones por debajo del umbral» se acumula limpiamente en una ventana y da un error budget. El percentil sigue siendo útil para elegir el umbral, en el paso 4.

¿Qué hacer sin 14 días de histórico?

Empieza con un objetivo prudente, márcalo como «provisional» y revísalo tras dos semanas de datos.

Conclusión

Elegir SLI es partir del usuario, definir con precisión los eventos buenos, medir el histórico y fijar después un objetivo sostenible. Una tarde de método vale más que veinte SLO que nadie lee.

span.observer es un blog independiente de la comunidad, no afiliado a Dynatrace LLC. Dynatrace es una marca de Dynatrace LLC. Las funciones de SaaS evolucionan rápido: comprueba su disponibilidad en tu entorno y en la documentación oficial.

Total
0
Shares
Leave a Reply

Your email address will not be published. Required fields are marked *

Previous Post
SLO OpenTelemetry dans Dynatrace : disponibilité et latence en DQL

SLO OpenTelemetry en Dynatrace: disponibilidad y latencia con DQL

Next Post
SLO Dynatrace Terraform : un SLO pour chaque service, généré en masse

SLO Dynatrace Terraform: un SLO para cada servicio, generado en masa

Related Posts