3. SLO 定义与度量：镜像拉取加速 SLO 的关键指标及采集方法

在云原生灾备场景中，镜像拉取加速的 SLO（Service Level Objective）是衡量灾备恢复效率的核心契约。本章节定义三个关键指标：P99 延迟、吞吐量 和 成功率，并给出标准化的采集与计算方法。

3.1 关键指标定义与目标值

以下表格列出了镜像拉取加速 SLO 的核心指标、业务含义及建议的初始目标值（可根据实际灾备等级调整）：

3.2 指标采集方法

所有指标均通过 Prometheus 客户端 在镜像拉取加速代理（如 Nydus、Dragonfly 的 dfget）中埋点采集，并通过 Prometheus Server 或 VictoriaMetrics 进行聚合。以下是三种指标的详细采集方案：

3.2.1 P99 延迟采集

• 埋点位置： 加速代理的请求处理结束处，记录从请求开始到结束的耗时。
• 数据类型： Histogram（直方图），用于计算百分位数。
• Prometheus 指标名： image_pull_duration_seconds
• 标签： image_name、layer_type（base/app）、cache_hit（true/false）

# 示例：Prometheus 直方图定义（Go 客户端）
imagePullDuration = prometheus.NewHistogramVec(
    prometheus.HistogramOpts{
        Name:    "image_pull_duration_seconds",
        Help:    "Histogram of image pull durations in seconds.",
        Buckets: prometheus.DefBuckets, // 默认桶：0.005, 0.01, 0.025, ..., 10
    },
    []string{"image_name", "layer_type", "cache_hit"},
)

3.2.2 吞吐量采集

• 埋点位置： 加速代理的请求入口处，每次请求到达时计数。
• 数据类型： Counter（计数器），用于计算速率。
• Prometheus 指标名： image_pull_requests_total
• 标签： status（success/failure）

# 示例：Prometheus 计数器定义
imagePullRequestsTotal = prometheus.NewCounterVec(
    prometheus.CounterOpts{
        Name: "image_pull_requests_total",
        Help: "Total number of image pull requests.",
    },
    []string{"status"},
)

3.2.3 成功率采集

• 埋点位置： 请求结束处，根据返回码判断成功或失败。
• 数据类型： Counter（计数器），通过两个标签值计算比率。
• Prometheus 指标名： image_pull_requests_total（与吞吐量共用）
• 计算公式： rate(image_pull_requests_total{status="success"}[5m]) / rate(image_pull_requests_total[5m]) * 100

3.3 指标采集架构图

下图展示了从加速代理到 Prometheus 再到告警系统的完整采集链路：

3.4 SLO 违约判定与度量公式

在 Prometheus 中，使用 Recording Rules 预计算 SLO 状态，便于快速判定是否违约：

# Prometheus recording rules 示例
groups:
  - name: image_pull_slo
    rules:
      # P99 延迟违约判定（过去 5 分钟）
      - record: slo:p99_duration:violation
        expr: |
          histogram_quantile(0.99, 
            rate(image_pull_duration_seconds_bucket[5m])
          ) > 5

      # 成功率违约判定（过去 5 分钟）
      - record: slo:success_rate:violation
        expr: |
          (rate(image_pull_requests_total{status="success"}[5m]) 
           / rate(image_pull_requests_total[5m])) < 0.999

      # 吞吐量违约判定（过去 1 分钟）
      - record: slo:throughput:violation
        expr: |
          rate(image_pull_requests_total{status="success"}[1m]) < 1.67  # 100 req/min ≈ 1.67 req/s

3.5 指标采集与 SLO 违约关系图

下图展示了从原始指标到 SLO 违约告警的完整数据流：

3.6 采集方案对比与选型建议

针对不同规模的集群，推荐以下采集方案：