3. 运行基线概念：什么是运行基线、基线的组成要素（CPU/内存/延迟/错误率）、基线与SLO/SLI的关系
运行基线（Operational Baseline）是服务在正常生产状态下，各项关键性能指标所呈现的稳定数值范围。它并非一个静态阈值，而是通过长期观测形成的“健康区间”。在团队所有权回归检查中，运行基线是判断服务是否发生异常偏移的核心参照物。
3.1 什么是运行基线
运行基线可以理解为服务的“数字指纹”。当服务处于无故障、无变更、负载正常的稳定窗口期时，其 CPU 利用率、内存占用、请求延迟、错误率等指标会落在一个相对固定的范围内。这个范围就是运行基线。
核心要点： 运行基线 ≠ 固定阈值。基线是动态的、基于历史数据的统计区间（如 P50/P95/P99），而阈值是人为设定的告警边界。基线用于“感知异常”，阈值用于“触发告警”。
运行基线在回归检查中的价值体现在三个方面：
- 异常检测： 当服务在新发布窗口中的指标偏离基线超过容忍度，说明可能存在回归问题。
- 容量评估： 基线反映了服务在典型负载下的资源消耗，为扩容/缩容提供依据。
- 所有权验证： 如果服务在交接后基线发生系统性偏移，说明新团队可能未完全掌握服务的运行特征。
3.2 基线的组成要素
运行基线通常由四个核心要素构成，覆盖资源消耗、性能表现和错误控制三个维度。下表列出了各要素的定义、典型统计方式及在回归检查中的关注点：
| 要素 | 定义 | 典型统计方式 | 回归检查关注点 |
|---|---|---|---|
| CPU | 服务进程占用的 CPU 核心百分比 | P50 / P95 / 均值 | 是否存在 CPU 突刺或持续高负载 |
| 内存 | 服务进程占用的物理内存或堆内存大小 | 均值 / 最大值 / GC 频率 | 是否存在内存泄漏或 GC 异常 |
| 延迟 | 请求从发出到收到响应的时间间隔 | P50 / P95 / P99 | 是否存在尾延迟恶化或超时增加 |
| 错误率 | 请求返回错误状态码的比例 | 百分比（如 0.1%） | 是否存在错误率上升或新错误类型 |
实践建议： 在服务目录平台中，运行基线应至少保留 14 天的历史数据窗口，并自动剔除已知故障期和变更窗口期的数据，以保证基线的“纯净度”。
3.3 基线与 SLO / SLI 的关系
SLI（Service Level Indicator）是服务质量的直接度量指标，如请求延迟的 P99 值、错误率百分比。SLO（Service Level Objective）是团队承诺的目标值，如“P99 延迟 ≤ 200ms”。运行基线则处于两者之间，是 SLI 在正常状态下的“期望分布”。
三者的关系可以用一个递进层次来理解：
- SLI 是原始测量数据，是“事实”。
- 运行基线 是 SLI 在健康状态下的统计范围，是“常态”。
- SLO 是基于基线设定的目标边界，是“承诺”。
下图展示了三者在服务观测体系中的位置与转换关系：
3.4 基线在回归检查中的实际应用
在团队所有权回归检查中，运行基线被用作“比较基准”。检查流程通常包含以下步骤：
- 提取基线： 从服务目录平台获取当前服务在过去 14 天的运行基线数据（CPU/内存/延迟/错误率）。
- 采集实时数据： 获取发布窗口期间及之后的实时 SLI 数据。
- 偏差计算： 计算实时数据与基线之间的偏差百分比或差值。
- 回归判定： 如果偏差超过预设的容忍度（如延迟 P95 上升超过 20%），则判定为回归异常。
常见误区： 不要将 SLO 直接当作基线使用。SLO 是目标边界，通常留有缓冲余量。如果服务从“远低于 SLO”退化到“接近 SLO”，虽然未违反 SLO，但已经发生了显著的回归。运行基线能更早地捕捉到这种退化趋势。
下表总结了 SLI、运行基线、SLO 在回归检查中的不同角色：
| 维度 | SLI | 运行基线 | SLO |
|---|---|---|---|
| 数据性质 | 原始观测值 | 统计聚合区间 | 承诺目标值 |
| 时间窗口 | 实时/近实时 | 历史窗口（如 14 天） | 固定周期（如季度） |
| 回归检查用途 | 提供当前状态 | 提供比较基准 | 提供最终判定红线 |
| 变更敏感度 | 高 | 中（需剔除异常窗口） | 低（通常不频繁调整） |
通过将运行基线嵌入到发布窗口的核验流程中，SRE 团队可以在服务尚未违反 SLO 之前，就发现由团队所有权变更或代码回归引起的性能退化，从而提前介入，保障服务稳定性。