監視設計どうするか

システムの健全性を評価する指標として SLI を定義し、SLI に基づいて必要な監視項目を定めていく

多くの場合、健全性は可用性

さらに、SLI を定めるにあたって、そのプロダクトが提供する価値は何か、ユーザが期待することは何か、といったことを分析する

サービスの中で特に重要な振る舞いは何か、その振る舞いをどのように計測し評価するか

一方で、ユーザが気にかけることを、直接的に計測するのは難しいこともある

計測しやすい指標から考えてしまうと、役に立たないSLI/SLOになってしまうことがある

監視設計

Design Doc に落とし込むと良いかもしれない

他のメンバーや後任のメンバーが、全体像を把握できる。変更や拡張を行う際に大元の設計思想を理解する。

社内の他のプロダクトへ展開がしやすい。

このシステムは何か、システムに期待される機能・振る舞い、システムの重要なコンポーネント（構成図）、それらを踏まえたSLI/SLO、監視構成（ツール等）

SLI

重要な少数の指標

可用性、レイテンシ、エラーレート、スループット

可用性は、伝統的には時間ベース（稼働時間）で考えることが多いが、現実的には、サービス全体が落ちている、というよりは一部に異常が起きている、というケースの方が多いように思う

ユーザの観点に立って考えると、そのような状況ももちろん受け入れがたいので、エラーレート・レイテンシといったリクエストの応答状況をベースに考える方が自然のように思える

ユーザーは内部的な振る舞いは気にしない

低レベルのメトリクス（CPU使用率）は SLI にはなり得ない

参照