System Design入門 設計判断を数字とコードで確かめる
目標を数字で置く
この回でやること
測る指標と目標値を決めて、達成できているかを計算します。
- 読む 約 7 分
- 最後にクイズ 1 問
測るものと目標値を分ける
席の予約サービスを「速くする」だけでは、達成したかを判断できません。何をどう数えるかと、どこまで達成するかを別々に決めます。
実際に測った指標がSLI、その指標に置く目標がSLOです。ここでは予約APIへの全要求のうち、正常に完了して300ミリ秒以内に応答した割合を指標にします。
目標は、その割合を1か月で99%以上にすることです。成功でも300ミリ秒を超えた要求や、正常に完了しなかった要求は、目標を満たさない件数に数えます。
高い目標には、故障への備えや保守の費用がかかります。月5万円の制約の中で、利用者が必要とする品質と、実際に維持できる品質をすり合わせます。
100%を掲げて常に未達になれば、変更を止めるべき時期が分かりません。達成できる目標を置き、実績との差で行動を決めます。
余りを変更の判断に使う
99%の目標なら、対象の要求の1%が目標を満たさなくてもよい量です。この量をエラーバジェットと呼び、品質の余裕として数えます。
失敗してよい量は、対象の総件数に、100%から目標を引いた割合を掛けて求めます。残りは、その量から実際に目標を満たさなかった件数を引きます。
新しい機能や構成の変更を試す余地を判断できます。ただし余りがあることは安全の保証ではなく、変更の影響を見積もり、段階的に出して様子を見ます。
使い切ったら、障害を直す変更を優先し、失敗を増やしそうな新機能の投入を止めます。この運用ルールを、障害が起きる前に決めておきます。
都合の悪い要求を集計から外したり、投入のために目標を下げたりすると、利用者が受けた品質と数字がずれます。対象と期間を固定して比べることが必要です。
予約サービスで解いてみる
DAU 3万人、1人6回なら、空席の読みや確認も含めて1日18万件です。平均約2 QPS、ピーク係数50は台数を考える数字で、予約APIだけを測る今回の母数とは分けます。
この月の予約APIへの要求は10万件で、そのうち正常かつ300ミリ秒以内だったのが9万9400件とします。残り600件が目標を満たさなかった件数です。
達成率は目標を満たした件数を総件数で割り、100を掛けて百分率にします。許容件数と残りも、同じ10万件を使って計算します。
達成率 = 99,400 ÷ 100,000 × 100 = 99.4%
許容件数 = 100,000 × 0.01 = 1,000件
残り = 1,000 − 600 = 400件99.4%なので、この集計時点では目標を満たしています。残り400件を材料に、次の変更が生む失敗の見込みと、今の失敗の増え方を確認します。
月の途中では総件数も失敗件数も増えるため、残りを固定の枠だと思わず更新します。余裕を使い切った時点では、予定よりも品質の回復を優先します。