系統開發

SaaS 的 SLA 怎麼寫才不會變成空頭承諾

把 SLA 的可用率換算成每月可停機分鐘數,再反推監控、值班與維護窗口要怎麼配,才知道合約上那個數字你守不守得住。

SLA 會變成空頭承諾,通常是因為寫的人沒把百分比換算成分鐘。業務在合約寫下 99.99%,工程團隊一個月只有 4 分多鐘可以出事,連一次正常的部署回滾都不夠用。我在做 SaaS 時學到的順序是:先算,再定 SLO,最後才寫 SLA。

01先把百分比換成分鐘

以 30 天計,一個月有 30 × 24 × 60 = 43,200 分鐘。可用率 99.9% 代表可停機 43,200 × 0.1% = 43.2 分鐘;99.95% 是 21.6 分鐘;99.99% 只剩 4.32 分鐘。每多一個 9,可以出錯的時間就縮成十分之一。

Google 的 SRE 書第 4 章提到,Google Compute Engine 當時公開的可用性目標是 99.95%,他們稱為「三個半 9」。這是一家有全球值班團隊的公司給基礎設施訂的數字,一般 B2B SaaS 寫得比它還高,我會先問一句:你的值班人力撐得住嗎。

02再算你實際的停機預算夠不夠用

拿 99.9% 的 43.2 分鐘來分配。假設每月部署 8 次,每次切換可能有 1 分鐘的錯誤尖峰,8 × 1 = 8 分鐘先用掉。半夜告警到值班工程師打開筆電,回應時間抓 15 分鐘,只要發生一次就再用掉 15 分鐘。剩下的 20 分鐘,要涵蓋雲端供應商自己的故障和資料庫升級。

這樣算完,多數小團隊會發現 99.9% 都很緊。這不是丟臉的事,反而是寫 SLA 前最有價值的發現。如果算出來不夠,答案是調整承諾或補人力,而不是先簽了再說。

03SLI、SLO、SLA 三層要分開寫

SRE 書把三者分得很清楚:SLI 是量什麼,例如成功請求的比例或回應延遲;SLO 是內部目標值;SLA 是對客戶的承諾以及做不到時的後果。實務上 SLO 要比 SLA 嚴,中間留緩衝。內部訂 99.95%,對外寫 99.9%,你才有空間在違約前就處理問題。

SLI 的定義要寫進合約附件。「可用」是指首頁能開,還是核心 API 回應成功?量測點在你的負載平衡器,還是客戶端?以 5 分鐘為單位取樣還是每次請求都算?這幾個欄位沒寫,事後雙方各拿各的數字吵架。

04合約裡一定要有的五個欄位

1. 計算週期:以自然月還是滾動 30 天。2. 排除條款:事先公告的維護窗口、客戶端網路問題、不可抗力,要列舉,不要寫「等」。3. 量測來源:以哪一套監控系統的紀錄為準。4. 違約補償:通常是下期服務費抵扣,並設上限。5. 申請程序:客戶要在幾天內提出、需要附什麼證據。

第 2 項最常被寫爛。維護窗口要寫出頻率、單次長度、提前幾天通知,例如每月一次、每次最多 2 小時、提前 7 天公告。這些數字是假設範例,請依你的部署習慣訂,但一定要具體。

05簽之前,先用三個月的紀錄驗證

我的做法是:先在內部把 SLI 量起來,跑三個月,拿實際的月可用率出來看,再決定對外承諾。三個月裡最差的那個月,就是你能承諾的上限附近,不要拿最好的那個月去簽。

SRE 書也提醒,對外宣告要保守,因為 SLA 一旦簽出去,想往回調非常難。我寧可合約寫 99.5% 然後每個月都超標,也不要寫 99.99% 然後每季寫一次道歉信。業務問起,就把上面那張分鐘換算表給他看。

資料來源

文中數字與法規均出自下列正式資料,引用時請以原始出處為準。

  1. [1]Google|Site Reliability Engineering, Chapter 4: Service Level Objectives(2016)
徐愷(KK)肖像照

作者

徐愷(KK)

遊遊股份有限公司負責人、主導顧問

LinkedIn →

先預約 30 分鐘需求初談,確認下一步該做什麼

初談免費。我們會確認問題範圍、預算與決策者,再提出初步建議與可執行的下一步。