云原生SLO错误预算监控与复盘 - 第1节

1.1 SLO 定义：从可用性到用户体验的度量跃迁

SLO（Service Level Objective，服务等级目标）是围绕系统可靠性设定的、可量化的目标值，它回答了“系统需要多好才算好”这一核心问题。与传统的“99.9% 可用性”不同，现代 SLO 通常基于服务等级指标（SLI）构建，覆盖延迟、错误率、吞吐量、饱和度等多个维度。

1.1.1 SLI → SLO → SLA 三层模型

1.1.2 SLO 的典型构成要素

• 指标定义（SLI）：明确测量什么（如请求成功率、P50/P95/P99 延迟）。
• 目标阈值：具体数值（如 ≥ 99.9%、≤ 500ms）。
• 评估窗口：滚动时间窗口（如 7 天、28 天、30 天）。
• 燃烧率（Burn Rate）：错误预算消耗速度，用于触发告警。
• 排除条件：哪些场景不计入 SLO（如客户端错误、计划内维护）。

1.2 预算复核的目的与意义

SLO 预算复核是指定期（通常每月或每季度）对 SLO 达成情况、错误预算消耗、成本支出进行系统性审查与调整的过程。它不是一次性的设定活动，而是持续运营闭环中的关键环节。

1.2.1 预算复核的四大核心目的

1. 验证 SLO 合理性：当前 SLO 是否仍然反映用户真实体验？是否需要收紧或放宽？
2. 控制错误预算消耗：识别燃烧率异常，防止错误预算过早耗尽导致紧急发布冻结。
3. 优化成本结构：将可靠性投入（冗余、容灾、监控）与 SLO 达成率关联，避免过度投资或投资不足。
4. 驱动改进决策：基于数据决定“是增加可靠性投入”还是“接受更低 SLO 以换取更快迭代”。

1.2.2 预算复核 vs 常规监控

1.3 SLO 与预算的关系：可靠性经济学

SLO 与预算之间存在双向驱动关系：SLO 决定了需要投入多少资源来保障可靠性；而预算约束反过来限制了 SLO 可以设定多高。理解这种关系是进行预算复核的前提。

1.3.1 可靠性成本曲线

可靠性提升并非线性成本。从 99.9% 提升到 99.99%，所需的工程投入、基础设施冗余、运维人力往往呈指数级增长。

• 99.0% – 99.9%：基础冗余 + 常规监控即可达成，成本可控。
• 99.9% – 99.99%：需要多可用区部署、自动故障转移、完善的混沌工程，成本显著上升。
• 99.99% – 99.999%：全球多活、单元化架构、7×24 值班，成本极高。

1.3.2 错误预算：连接 SLO 与预算的桥梁

错误预算（Error Budget） = 1 - SLO。它量化了系统在评估窗口内允许“不达标”的额度。错误预算的消耗速度直接反映了可靠性风险，也间接决定了是否需要追加预算来加固系统。

1.3.3 预算复核的输入与输出