SLA, SLO, SLI

Einfach erklärt

SLI, SLO und SLA sind die drei Ebenen, um Service-Zuverlässigkeit zu definieren und zu messen.

Die Hierarchie:

SLA (Service Level Agreement)
│   "Wir garantieren 99.9% Verfügbarkeit, sonst Gutschrift"
│   → Vertrag mit Kunden, rechtlich bindend
│
└── SLO (Service Level Objective)
    │   "Unser internes Ziel: 99.95% Verfügbarkeit"
    │   → Strenger als SLA, gibt uns Puffer
    │
    └── SLI (Service Level Indicator)
        "Gemessene Verfügbarkeit letzte 30 Tage: 99.97%"
        → Die tatsächliche Messung

Beispiel für eine API:

Typ	Beispiel
SLI	Latenz P99 = 145ms
SLO	Latenz P99 soll unter 200ms sein
SLA	Latenz P99 unter 500ms, sonst 10% Gutschrift

Technischer Deep Dive

Typische SLIs

Kategorie	SLI	Messung
Verfügbarkeit	Erfolgreiche Requests / Alle Requests	Prozent
Latenz	Antwortzeit P50, P95, P99	Millisekunden
Durchsatz	Requests pro Sekunde	RPS
Fehlerrate	Fehler / Alle Requests	Prozent
Korrektheit	Korrekte Antworten / Alle Antworten	Prozent

SLO Definition

# slo.yaml
slos:
  - name: api-availability
    description: "API sollte verfügbar sein"
    sli:
      type: availability
      good_events: "http_status < 500"
      total_events: "all requests"
    objective: 99.9%
    window: 30d
    
  - name: api-latency
    description: "API sollte schnell antworten"
    sli:
      type: latency
      threshold: 200ms
      percentile: 99
    objective: 99%
    window: 30d

Error Budget

SLO: 99.9% Verfügbarkeit über 30 Tage

Error Budget = 100% - 99.9% = 0.1%
             = 0.1% × 30 Tage × 24h × 60min
             = 43.2 Minuten Downtime erlaubt

Aktueller Verbrauch:
- Incident 1: 15 Minuten
- Incident 2: 10 Minuten
- Verbraucht: 25 Minuten (58%)
- Übrig: 18.2 Minuten (42%)

Prometheus SLI-Messung

# Verfügbarkeit SLI
- record: sli:api_availability:ratio
  expr: |
    sum(rate(http_requests_total{status!~"5.."}[5m]))
    /
    sum(rate(http_requests_total[5m]))

# Latenz SLI (P99 unter 200ms)
- record: sli:api_latency:ratio
  expr: |
    sum(rate(http_request_duration_seconds_bucket{le="0.2"}[5m]))
    /
    sum(rate(http_request_duration_seconds_count[5m]))

SLO-basiertes Alerting

# Alert wenn Error Budget zu schnell verbraucht wird
groups:
  - name: slo-alerts
    rules:
      - alert: ErrorBudgetBurnRate
        expr: |
          (
            1 - sli:api_availability:ratio
          ) > 14.4 * (1 - 0.999)
        for: 5m
        labels:
          severity: critical
        annotations:
          summary: "Error Budget wird zu schnell verbraucht"

Die 9er-Tabelle

Verfügbarkeit	Downtime/Jahr	Downtime/Monat
99% (zwei 9)	3.65 Tage	7.3 Stunden
99.9% (drei 9)	8.76 Stunden	43.8 Minuten
99.95%	4.38 Stunden	21.9 Minuten
99.99% (vier 9)	52.6 Minuten	4.38 Minuten
99.999% (fünf 9)	5.26 Minuten	26.3 Sekunden