목차
LINE 앱의 신뢰성을 사용자 경험으로 재는 SLI/SLO (2025-02)
원문 정보
- 원문: 신뢰성 향상을 위한 SLI/SLO 도입 1편 - 소개와 필요성
- 매체 · 게시일: LY Corporation Tech Blog · 2025-02-21
- 저자: 천기철(Service Reliability 팀), 어다희(Enablement Engineering 팀)
- 원문 내용을 바탕으로 재구성한 요약입니다.
사용자의 불편을 수치로 설명하는 SRE
서비스를 믿고 쓸 수 있는지는 사용자가 판단합니다. 빠르고 안정적이며 안전한 서비스를 제공한다는 설명은 모두 신뢰성에 해당하지만, 제공자 쪽의 모니터링 결과가 그 신뢰성을 결정하지는 않습니다. SRE는 사용자가 느끼는 불편을 데이터로 표현할 수 있어야 합니다. 예를 들어 ‘서비스가 느리다’에서 그치지 않고, 메시지 전송 API의 응답이 1초 이상 걸려 사용자가 불편을 겪는다고 설명하는 식입니다.
SRE의 일에는 안정성을 지키면서 변화를 최대한 수용하는 목표가 함께 있습니다. 성능 개선과 자동화를 위한 코드 작성, 모니터링, 장애 대응도 이 목표를 위한 활동입니다. LINE 앱의 메시징 서비스와 미디어 플랫폼을 맡는 SRE 팀은 사용자에게 더 신뢰할 수 있는 서비스를 제공하기 위해 SLI/SLO를 도입했습니다.
이번 글은 그 개념과 필요성을 다루는 3부작의 첫 편입니다. 저자들은 2편에서 플랫폼, 3편에서 애플리케이션에 적용해 측정하고 구현한 사례를 소개할 예정이라고 밝혔습니다.
동영상 재생에서 출발하는 사용자 여정
동영상 서비스를 쓰는 사람은 영상이 빨리 시작되고 중간에 끊기지 않기를 기대합니다. 이때 영상이 화면에 나오기까지 걸리는 대기 시간은 사용자 경험을 나타내는 지표가 됩니다. 이렇게 사용자 관점에서 안정성을 정량적으로 측정한 값이 SLI이며, 대기 시간 외에 가용성과 처리량도 여기에 해당합니다. SLO는 그 지표가 달성해야 할 목푯값이나 목표 범위입니다.
계약에는 기준을 지키지 못했을 때의 보상도 들어갑니다. 구독 서비스처럼 공급자와 고객이 SLO를 바탕으로 맺는 사업 계약이 SLA입니다. 무료 서비스에서는 쓰지 않습니다.
그렇다면 어떤 동작을 측정 대상으로 고를까요? 먼저 사용자가 서비스를 이용하는 흐름을 살펴봅니다. 동영상을 재생하기까지 거치는 과정, 메시지를 보내거나 친구를 추가하는 과정이 사용자 여정입니다. 그중 핵심 기능에 해당하는 흐름을 핵심 사용자 여정(CUJ)이라고 부릅니다.
SLI/SLO 도입은 주요 기능의 CUJ를 정하고, 각 여정에서 사용하는 API를 찾는 일에서 시작합니다. 측정할 수 있는 값이 많다는 이유로 지표를 고르지는 않습니다. 사용자가 중요하게 여기는 것이 무엇인지가 먼저입니다.
99.9% 뒤에 남겨 둔 오류 예산
목표를 정하면 어디까지 오류를 허용할지도 정해집니다. SLO를 기준으로 허용할 수 있는 장애나 안정성 저하의 크기가 오류 예산입니다. 한 달 SLO를 99.9%로 잡으면 허용하는 오류는 0.1%입니다. 한 달을 28일로 두고 시간으로 계산하면 40.32분이 됩니다.
목표를 높일수록 이 시간은 짧아집니다. 같은 한 달 기준으로 99.9%에서는 중단 시간이 약 40분이어서 사람이 이상을 감지하고 원인을 찾아 수정할 수 있습니다. 99.99%의 약 4분은 사람이 감지해 해결하기에 짧으므로, 시스템이 감지하고 스스로 복구하도록 설계해야 합니다. 99.999%에서는 약 24초만 남습니다. 사람이 감지할 수 없고 시스템으로만 감지할 수 있는 시간입니다.
높은 목표에는 그만큼의 노력이 따릅니다. 저자들이 인용한 Google의 설명에 따르면, 99.9%를 99.99%로 올릴 때와 99.99%를 99.999%로 올릴 때 각각 기존 대비 10배의 노력이 듭니다. 목표를 무작정 높이기보다 서비스의 특성과 상황에 맞게 정해야 하는 이유입니다.
오류 예산은 개발 팀과 SRE 팀이 신뢰성을 ‘같은 언어’로 이야기할 기준이기도 합니다. 개발 팀은 예산 상태를 보고 스스로 리스크를 관리할 수 있습니다. 예산에 여유가 있으면 신규 기능 출시나 짧은 배포 주기를 선택할 수 있고, 예산을 초과해 서비스가 불안정하다면 신규 기능 개발과 릴리스를 멈추고 안정성 회복에 집중해야 합니다.
여기서 오류의 범위는 애플리케이션에 한정되지 않습니다. 네트워크와 스토리지 등에서 발생하는 오류도 포함하며, 구체적으로 무엇을 오류로 볼지는 서비스 특성에 맞게 정의해야 합니다.
게이트웨이 로그에서 정하는 성공 조건
지표를 실제로 측정하려면 이벤트와 성공 조건, 측정 위치와 방법, 측정 기간을 구체화해야 합니다. 글에서는 CUJ를 구체화하지 않은 일반 예시로 대기 시간과 가용성 지표를 보여 줍니다.
대기 시간 예시에서는 GET /api001 요청 가운데 300ms 안에 전체 응답을 보낸 비율을 구합니다. 가용성 예시의 대상은 POST /api002 요청입니다. 이 예시에서는 응답 코드가 2XX, 3XX 또는 4XX인 요청을 성공으로 보되, 429는 제외합니다. 둘 다 게이트웨이 로그에서 측정하고, 최근 28일 롤링 윈도에서 성공 비율 99.9%를 충족하는 것이 SLO입니다.
측정 방식은 단순해야 합니다. SLI 집계가 복잡하면 시스템의 성능 상태를 명확히 반영하지 못합니다. SLO도 시스템 특성을 확인할 수 있는 최소한만 선택하고, 100%처럼 지나친 목표는 피합니다. 처음부터 완벽하게 정할 수는 없습니다. 지표와 목표를 계속 확인하고 개선하는 과정까지 도입에 포함됩니다.
지표의 변화를 함께 읽는 운영 회의
SLI/SLO를 정의하고 구현하면 사용자가 느끼는 신뢰성을 수치로 판단할 준비가 됩니다. 주간이나 월간 회의에서는 관련 이해관계자들이 지표의 변화를 함께 보고, 어떤 원인이나 이슈가 있었는지 확인한 뒤 개선 방법을 정할 수 있습니다. 리뷰와 회고도 이 기준으로 진행할 수 있습니다.
오류 예산은 알림에도 활용할 수 있습니다. 예산을 기준으로 알림 체계를 만들면 온콜이나 서비스 운영 담당자에게 단계별 경고를 전달하고 대응하도록 할 수 있습니다. SLO와 오류 예산 상태에 맞춰 대응 방식과 자원 배분 정책을 정하는 데도 쓸 수 있는 기준입니다.
조직과 비즈니스 상황이 바뀌면 SLI/SLO도 조정이 필요할 수 있습니다. 관련 대시보드와 지표를 계속 모니터링하고 관리해야 하는 이유입니다.
원문의 SLI/SLO 예시와 오류 예산 수치
| 항목 | 값 |
|---|---|
| 예 1 (대기 시간) | GET /api001 요청 중 300ms 안에 응답을 끝낸 비율, 게이트웨이 로그 기준 |
| 예 2 (가용성) | POST /api002 요청 중 2XX, 3XX, 4XX(429 제외) 응답 비율, 게이트웨이 로그 기준 |
| 예시 SLO | 최근 28일 롤링 윈도에서 99.9% |
| 99.9% 오류 예산 | 한 달(28일) 기준 40.32분 |
| 중단 시간 99.9% | 약 40분 |
| 중단 시간 99.99% | 약 4분 |
| 중단 시간 99.999% | 약 24초 |