3. SLO 与错误预算基础概念：SLI、SLO、错误预算定义与关系
在云原生可观测性体系中，SLI、SLO 与 错误预算 是定义服务可靠性、指导运维决策的核心三角。理解三者定义与关系，是后续在 Argo CD 面板中呈现组件拓扑与可靠性状态的前提。
3.1 核心定义
| 术语 | 英文全称 | 定义 | 典型示例（日志平台） |
|---|---|---|---|
| SLI | Service Level Indicator | 服务等级指标，是衡量服务质量某一维度的具体量化指标。 | 日志写入请求成功率、查询 P99 延迟、日志索引吞吐量 |
| SLO | Service Level Objective | 服务等级目标，是对 SLI 设定的目标阈值或范围，代表用户可接受的可靠性水平。 | 日志写入成功率 ≥ 99.9%（30 天滚动窗口） |
| 错误预算 | Error Budget | 错误预算 = 1 - SLO，表示在 SLO 窗口内允许发生故障的总时间或总请求比例。 | SLO 为 99.9% 时，每月允许约 43 分钟不可用 |
关键认知： SLI 是“测量什么”，SLO 是“目标是多少”，错误预算则是“还剩多少容错空间”。三者构成闭环，驱动可靠性工程决策。
3.2 三者的关系模型
SLI → SLO → 错误预算 构成一条自上而下的推导链，同时错误预算又反向驱动 SLO 的调整与运维动作的触发。
3.3 日志平台中的 SLI 定义示例
在云原生日志平台中，常见的 SLI 维度包括：
- 可用性 SLI： 日志写入接口 HTTP 200 响应占比（排除计划内维护）。
- 延迟 SLI： 日志查询 P99 响应时间 ≤ 500ms。
- 吞吐量 SLI： 日志索引速率 ≥ 10000 条/秒。
- 持久性 SLI： 已确认写入的日志在 30 天内可检索比例 ≥ 99.999%。
实践建议： 每个组件（如 Fluentd、Kafka、Elasticsearch）应至少定义 1~2 个与用户体验直接相关的 SLI，避免指标过多导致运维噪音。
3.4 SLO 的窗口与合规周期
| 窗口类型 | 说明 | 适用场景 |
|---|---|---|
| 滚动窗口 | 持续计算最近 N 天/周的 SLI 合规率 | 生产环境长期可靠性跟踪 |
| 日历窗口 | 按自然月/季度计算合规率 | 商业合同 SLA 对齐 |
| 事件窗口 | 按单个发布或变更周期计算 | 发布质量门禁评估 |
3.5 错误预算的消耗与告警策略
错误预算的消耗速度直接反映服务健康度。常见策略：
- 预算充足（> 50% 剩余）： 正常发布，持续监控。
- 预算中等（20% ~ 50% 剩余）： 限制高风险变更，加强告警。
- 预算紧张（< 20% 剩余）： 冻结发布，启动应急响应。
- 预算耗尽（0%）： 触发事故管理流程，回滚近期变更。
常见误区： 错误预算不是“允许故障的额度”，而是“用户可接受的不可用上限”。即使预算未耗尽，频繁消耗也会降低用户信任。SLO 不应设得过高（如 99.999%），否则错误预算过小，运维窗口几乎为零，反而导致频繁告警疲劳。
3.6 在 Argo CD 面板中的呈现思路
后续章节将详细实现，此处先建立概念映射：
- 组件拓扑节点 绑定对应的 SLI 指标（如 Elasticsearch 节点的查询延迟）。
- 节点颜色/状态 根据 SLO 合规率动态变化（绿=合规，黄=接近违规，红=违规）。
- 错误预算进度条 显示在拓扑图侧边或节点详情浮窗中，直观展示剩余容错空间。