📚 课程目录第4章 SLO基础理论

4. SLO 与错误预算基础：SLI 定义、SLO 目标设定、错误预算计算、燃烧率概念

在云原生可观测性与可靠性工程中，服务等级目标（SLO）与错误预算（Error Budget）是连接运维与产品决策的核心量化工具。本章将系统拆解 SLI 定义、SLO 设定、错误预算计算及燃烧率机制，为后续 Helm 面板化呈现提供数据基础。

SLI（Service Level Indicator）是对服务某个维度质量的直接测量值，通常表示为一段时间内的比率或百分比。常见的 SLI 类型包括：

SLI 选择原则：优先选择与用户体验直接相关的指标，避免选择内部实现细节（如 GC 暂停时间）作为 SLI，除非它能直接映射到用户感知的延迟或错误。

以下 SVG 展示了 SLI 从原始指标到可观测性数据的转化链路：

SLO（Service Level Objective）是团队为 SLI 设定的目标阈值，通常表示为“在滚动窗口内达到 X% 的达标率”。SLO 不是 SLA（服务等级协议），SLO 是内部承诺，SLA 是对外的法律约束。

  SLO 设定示例：

  “在 30 天滚动窗口内，99.9% 的 API 请求响应时间低于 200ms（P95）。”

  这意味着在 30 天内，最多允许 0.1% 的请求超过 200ms。

SLO 等级	可用性目标	每月最大不可用时间	典型场景
99% (两个9)	99.0%	7.2 小时	内部工具、开发环境
99.9% (三个9)	99.9%	43.2 分钟	生产 API、Web 应用
99.99% (四个9)	99.99%	4.32 分钟	金融交易、核心数据库
99.999% (五个9)	99.999%	25.9 秒	电信、关键基础设施

错误预算（Error Budget）是 SLO 的反向度量，表示在 SLO 合规窗口内允许的最大失败量。计算公式如下：

错误预算 = 总请求数 × (1 - SLO 目标)

示例：
- 30 天内总请求数：10,000,000
- SLO 目标：99.9%
- 错误预算 = 10,000,000 × (1 - 0.999) = 10,000 次失败请求

错误预算的消耗速度决定了团队是否需要暂停新功能发布、优先进行稳定性投入。以下 SVG 展示了错误预算的消耗与燃烧过程：

燃烧率（Burn Rate）衡量错误预算消耗的速度，是早期预警的核心指标。燃烧率定义为：

燃烧率 = 实际错误率 / 允许错误率

示例：
- SLO 目标：99.9%（允许错误率 0.1%）
- 实际错误率：0.5%
- 燃烧率 = 0.5% / 0.1% = 5x

这意味着错误预算的消耗速度是预期的 5 倍。

单一窗口的燃烧率可能因短期波动产生误报。推荐使用多窗口策略：

燃烧率陷阱：不要仅依赖单一窗口的燃烧率。短窗口可能因流量波动产生假阳性，长窗口可能掩盖突发故障。建议至少使用两个不同时间窗口的燃烧率进行联合判断。

以下表格总结了四个核心概念的关系与作用：

在 Helm 面板化呈现中，我们将把上述指标映射为 Prometheus 查询、Grafana 面板与告警规则，实现 SLO 的可视化与自动化回滚护栏。下一节将深入 PromQL 查询与面板设计。