2. SLO 基础概念：SLO/SLI/SLA 定义、服务等级目标的重要性、Cilium 场景下的 SLO 设计原则
在构建 Cilium 拉取加速体系之前，必须统一团队对服务等级的语言。SLO（Service Level Objective）不是简单的“可用性 99.9%”，而是连接用户感知与系统内部可观测性的桥梁。本节从定义出发，逐步推导 Cilium 场景下的设计原则。
2.1 核心定义：SLA / SLO / SLI
三个概念常被混用，但职责完全不同。下表从对象、度量、后果三个维度进行区分：
| 术语 | 全称 | 对象 | 度量方式 | 未达标后果 |
|---|---|---|---|---|
| SLA | Service Level Agreement | 客户 / 合同 | 法律条款定义 | 赔偿 / 罚金 |
| SLO | Service Level Objective | 内部团队 / 产品 | 百分比阈值 | 改进计划 / On-Call |
| SLI | Service Level Indicator | 具体指标 | 原始测量值 | 触发告警 |
实战口诀：SLI 是“测什么”，SLO 是“多少算好”，SLA 是“不好赔多少”。Cilium 场景下，我们只承诺 SLO，不直接对外暴露 SLA 条款。
2.2 服务等级目标的重要性
没有 SLO 的运维是“盲人摸象”。SLO 在 Cilium 拉取加速场景中承担三个关键角色：
- 决策锚点：当镜像拉取延迟从 5s 上升到 8s，是否要立即回滚？SLO 阈值（如 P99 < 6s）提供明确判断标准。
- 资源预算：SLO 定义了“错误预算”（Error Budget），允许团队在预算内进行灰度发布、内核升级或 eBPF 程序热更新。
- 跨团队对齐：平台团队（Cilium 网络）与业务团队（镜像仓库、节点代理）通过 SLO 形成统一的“好”与“坏”定义。
关键认知：SLO 不是越高越好。99.99% 的 SLO 意味着全年不可用时间 < 52.6 分钟，对应的监控、冗余、故障转移成本呈指数级增长。Cilium 场景下，建议从 99.9%（拉取延迟 P99 < 10s）起步。
2.3 Cilium 场景下的 SLO 设计原则
Cilium 作为数据面组件，其 SLO 设计必须遵循以下四条原则：
- 用户感知优先：SLI 必须从“kubelet 发起拉取请求”到“容器运行时完成解压”的全路径采集，而非仅测量 Cilium 内部转发延迟。
- 分层定义：将 SLO 拆解为网络层（eBPF 转发延迟、连接建立成功率）和应用层（镜像层下载完成时间、解压吞吐量）。
- 错误预算可消耗：允许 Cilium 升级、eBPF Map 扩容、路由策略变更等操作消耗一定比例的预算，避免“零风险”导致的发布停滞。
- 可归因性：每个 SLO 违约事件必须能关联到具体的 Cilium Agent、Node、Endpoint 或 Hubble 流日志，否则无法驱动改进。
避坑提示：不要将“Cilium 控制面 API 响应时间”作为拉取加速的 SLI。控制面延迟与数据面拉取延迟之间没有线性关系。必须直接测量容器运行时拉取镜像的 wall-clock 时间。
2.4 Cilium 拉取加速 SLO 分层架构
下图展示 Cilium 场景下 SLO 的分层设计：从底层网络指标到顶层用户体验指标，每一层都有对应的 SLI 和 SLO 阈值。
2.5 设计原则与 Cilium 特性的映射
将上述原则落地到 Cilium 技术栈时，需要明确每个原则对应的具体实现手段：
| 设计原则 | Cilium 对应能力 | 实现方式 |
|---|---|---|
| 用户感知优先 | Hubble 流日志 + 七层协议解析 | 通过 Hubble 采集 kubelet → containerd → Cilium 的全链路 TCP 流，计算实际拉取耗时 |
| 分层定义 | Cilium Agent Metrics + eBPF 指标 | Agent 暴露 cilium_forward_count、cilium_drop_count；eBPF 提供 tc_delay_ms |
| 错误预算可消耗 | Cilium 热升级 + 无中断 eBPF 重载 | 利用 Cilium 的 cilium-agent --restore 和 endpoint regeneration 机制，在预算内完成变更 |
| 可归因性 | Endpoint 标签 + 身份策略 | 每个拉取请求关联到源 Pod 的 k8s:io.kubernetes.pod.namespace 标签，快速定位故障域 |
2.6 初始 SLO 推荐值
基于生产环境经验，以下为 Cilium 拉取加速场景的初始 SLO 推荐值。建议运行 2 周后根据实际数据调整：
- 镜像拉取完成时间（P99）：≤ 10s（宽松起步）→ 优化后 ≤ 5s（严格目标）
- 拉取成功率：≥ 99.9%（排除镜像仓库故障）
- eBPF 转发延迟（P99）：≤ 5ms（含隧道封装开销）
- 连接建立成功率：≥ 99.99%（Cilium 到镜像仓库节点）
- 错误预算：每月 0.1% 的拉取请求可失败（约 43 分钟/月）
下一步行动：在 Prometheus 中定义 SLI 采集规则，使用
histogram_quantile 计算 P99 拉取延迟，并设置 SLO 告警规则。具体配置将在第 3 章详细展开。