4. SLO 违约检测机制：基于 Prometheus 的告警规则与多窗口多燃烧率算法

SLO 违约检测的核心挑战在于：既要避免因瞬时抖动产生告警风暴，又要在错误预算真正快速消耗时尽早发现。Prometheus 结合多窗口多燃烧率（Multi-Window Multi-Burn-Rate, MWMBR）算法，是目前平台工程中检测 SLO 违约最成熟、最可靠的手段。

4.1 燃烧率与错误预算的关系

燃烧率（Burn Rate）定义为单位时间内消耗错误预算的速度。当燃烧率为 1 时，错误预算恰好在整个 SLO 窗口内均匀消耗完；燃烧率大于 1 意味着预算消耗过快，可能提前违约。

4.2 多窗口多燃烧率算法原理

MWMBR 算法同时评估多个时间窗口（如 1 分钟、5 分钟、30 分钟）上的燃烧率，只有当所有窗口的燃烧率都超过对应阈值时，才触发告警。这避免了短时突发流量导致的误报，同时确保持续高燃烧率能被快速捕获。

4.3 Prometheus 告警规则实现

以下是一组基于 MWMBR 的 Prometheus 告警规则，适用于 30 天 SLO（99.9% 可用性）的检测场景：

groups:
  - name: slo_burn_rate
    interval: 30s
    rules:
      # 1分钟窗口，燃烧率 > 14.4（对应 99.9% SLO）
      - alert: SLOBurnRateVeryHigh
        expr: |
          (
            sum(rate(http_requests_total{status=~"5.."}[1m]))
            /
            sum(rate(http_requests_total[1m]))
          ) * 1440 > 14.4
        for: 2m
        labels:
          severity: critical
        annotations:
          summary: "SLO 燃烧率极高（1m 窗口）"
          description: "当前燃烧率 {{ $value }}，错误预算将在 2 小时内耗尽。"

      # 5分钟窗口，燃烧率 > 6.0
      - alert: SLOBurnRateHigh
        expr: |
          (
            sum(rate(http_requests_total{status=~"5.."}[5m]))
            /
            sum(rate(http_requests_total[5m]))
          ) * 288 > 6.0
        for: 5m
        labels:
          severity: warning
        annotations:
          summary: "SLO 燃烧率较高（5m 窗口）"
          description: "当前燃烧率 {{ $value }}，错误预算将在 8 小时内耗尽。"

      # 30分钟窗口，燃烧率 > 1.0
      - alert: SLOBurnRateNormal
        expr: |
          (
            sum(rate(http_requests_total{status=~"5.."}[30m]))
            /
            sum(rate(http_requests_total[30m]))
          ) * 48 > 1.0
        for: 10m
        labels:
          severity: info
        annotations:
          summary: "SLO 燃烧率超过基线（30m 窗口）"
          description: "当前燃烧率 {{ $value }}，错误预算将在 24 小时内耗尽。"

4.4 多窗口组合的告警策略

MWMBR 的核心在于组合判断。单一窗口的告警可能被误触发，但多个窗口同时超阈值则表明问题持续存在。下表展示了不同场景下的窗口行为：

4.5 告警疲劳度与抑制机制

为避免告警疲劳，MWMBR 还需要配合以下抑制策略：

• 告警去重：同一 SLO 在同一时间窗口内只触发一次告警，避免重复通知。
• 告警升级：从 info → warning → critical 逐级升级，给运维人员缓冲时间。
• 静默期：告警触发后，同一规则在 30 分钟内不再重复告警，除非燃烧率继续恶化。
• 依赖抑制：如果底层基础设施（如数据库）已触发告警，上层服务 SLO 告警自动抑制。

4.6 多窗口多燃烧率的工程实践要点

1. 窗口选择：推荐使用 1m、5m、30m 三个窗口，分别对应秒级、分钟级、小时级检测粒度。
2. 阈值校准：燃烧率阈值需根据实际 SLO 目标动态计算，并留出 20%-30% 的余量，避免因指标抖动误告警。
3. 告警路由：不同严重级别的告警应路由到不同渠道：Info → 日志/看板；Warning → 即时通讯；Critical → 电话/短信。
4. 定期复盘：每月分析告警记录，调整窗口参数和阈值，使告警准确率保持在 95% 以上。