「稼働率100%」という数字だけで、利用者がすべての操作を正常に行えたとは判断できません。何を対象に、どの期間を、どんな基準で数えた数字なのかを確認します。
ITサービスの可用性は、必要なときにサービスを利用できるかという観点です。稼働時間の割合で表す場合もあるため、可用性と稼働率が常に別の指標になるわけではありません。この記事では、言葉を二つに分け切るのではなく、報告された割合の意味を読み分けます。設備や人の稼働率、CPU使用率は対象外です。
可用性を時間で測るか、リクエストで測るか
AWSの可用性の説明では、利用可能だった時間の割合に加え、成功・失敗したリクエストを使う測り方も扱っています。時間を分母にする割合と、リクエスト件数を分母にする割合を、そのまま同じ数字として比べないようにします。
GoogleのSRE資料も、サービスを利用できる割合と、対象リクエストの成功割合を説明しています。測定期間、対象に含むリクエスト、収集する場所などの定義が必要です。サーバー側で集めた数字が、利用者側で起きた問題をすべて含むとは限りません。
架空例:サーバーの稼働率100%と、操作の成功率97%
次は独自の架空例です。11月16日10:00〜11:00の60分間を、日本時間で集計した設定にします。実際のサーバー監視や通信試験を行った結果ではありません。
- サーバーAの時間ベースの指標:応答の有無を見る監視ルールMで、各1分区間を判定。欠測はなく、全60区間を「稼働」と分類したため、この報告での稼働率は60分÷60分×100=100%。
- サービスの操作ベースの指標:指定した「申請内容を表示するAPI」に届いた対象リクエストは1,000件。定めた条件を満たした成功が970件、失敗が30件で、この指標の可用性は970件÷1,000件×100=97%。
この例のAPIの成功条件は「指定したテスト用申請の内容が、定めた応答時間内に正しく返ること」とします。単に応答コードが返ったことだけを成功とはしません。対象リクエストの集計には欠落がなく、成功と失敗で全1,000件になる、という架空の前提です。
監視ルールMが見ているのはサーバーAの応答です。申請表示の内容や応答時間まで保証する判定ではありません。したがって、二つの数字が違うだけで集計ミスとは言えません。同じ期間でも、測っている対象と条件が違います。
97%から停止時間や原因を推測しない
失敗は30件÷1,000件=3%ですが、60分の3%である1.8分を、そのまま停止時間とはできません。リクエストが来た時刻や偏り、失敗が続いた区間を、この件数だけでは判断できないためです。
97%は、今回のAPIに届いた対象リクエストについての割合です。APIへ届く前の問題、別の画面や操作、対象外とした通信は、この数字に含まれているとは限りません。利用者全員の操作が97%成功した、と読み替えないようにします。
また、30件が失敗した原因は、この架空の集計値だけでは不明です。サーバーが応答したことを根拠にアプリ側の問題と決めつけたり、失敗件数だけで故障箇所を特定したりしません。目標値や契約条件も設定していないため、SLA違反や補償の有無は判断できません。
割合を比較する前にそろえる4項目
- 対象:サーバー1台、特定のAPI、利用者の操作全体のどれか。収集場所も同じか。
- 期間:開始・終了と時間帯が一致しているか。一方だけ別の日や期間を含んでいないか。
- 分母と判定:対象時間か、対象リクエスト件数か。「稼働」「成功」とする条件や除外条件は何か。
- 観測の不足:欠測や対象外の範囲はないか。分からない区間を、正常や0件として埋めていないか。
条件が違えば、数字の大小だけで優劣や改善を決めません。前月との比較でも、監視する対象や成功条件が変わっていれば、その差を注記します。実際の定義・計算方法は、利用しているサービスや社内指標の説明を確認してください。
報告では数字と、その数字で言える範囲を残す
先ほどの架空例なら、次のように短く記録できます。「システム全体が正常」といった、観測範囲を超える結論を付けないことがポイントです。
11月16日10:00〜11:00 JST。サーバーAは監視ルールMで60区間中60区間を稼働と判定し、時間ベースで100%。申請表示APIは対象1,000件中、成功970件・失敗30件で97%。両者は対象と分母が異なる。APIに届く前や他の操作は評価していない。失敗原因と停止時間は、この集計だけでは未確認。
数値・日時・監視ルール・成功条件は説明用の設定で、計算と記録の対応を机上で点検したものです。実サービスの測定や可用性の保証ではありません。報告を読むときは、指標名に加えて、対象・期間・分母・判定条件までそろえて確認します。
