4. 预算复核的重要性：为什么需要定期复核SLO预算，避免服务降级与违规

SLO 预算（Error Budget）并非静态指标。随着服务架构演进、用户流量波动、底层基础设施变更以及业务目标调整，初始设定的预算阈值会逐渐偏离实际运行状态。定期复核预算的核心价值在于：在服务降级或SLA违规发生之前，主动发现并修正预算偏差。

4.1 预算漂移：静态预算的三大风险

如果不定期复核，SLO 预算会面临以下三种典型的“漂移”风险：

4.2 预算复核的五大收益

定期执行预算复核，能够为SRE团队和业务方带来以下可量化的收益：

1. 预防SLA违规：通过趋势分析，在预算耗尽前识别出慢性错误增长，提前介入修复，避免月底/季末违规罚款。
2. 优化发布节奏：根据实际预算消耗速度，动态调整发布窗口和回滚策略，让“快速迭代”与“稳定可靠”不再对立。
3. 提升告警有效性：校准预算阈值后，告警从“频繁误报”变为“精准触发”，减少告警疲劳，提升On-Call响应质量。
4. 对齐业务目标：将SLO预算与业务KPI（如转化率、用户留存）关联复核，确保技术指标服务于商业价值。
5. 驱动架构改进：预算长期过剩或不足，往往指向架构瓶颈（如单点故障、容量不足），复核过程本身就是一次架构健康检查。

4.3 预算复核流程：从数据到行动

一个标准的预算复核周期应包含以下四个步骤，形成闭环：

1. 采集与聚合：从SLI指标源（如Prometheus、Datadog）拉取过去一个窗口期的实际错误率、延迟分布等数据。
2. 偏差分析：将实际消耗曲线与预算线对比，计算“预算消耗速度”和“剩余天数”，识别异常拐点。
3. 根因定位：对偏差窗口内的变更事件、故障记录、流量峰值进行关联分析，找出导致预算消耗异常的具体原因。
4. 调整与验证：根据分析结果调整SLO目标、预算窗口或告警阈值，并在下一个周期验证调整效果。

4.4 复核频率与触发条件

并非所有服务都需要相同的复核频率。建议根据服务关键性和预算消耗速度，采用分级策略：

4.5 案例：未复核预算导致的降级事故

某电商平台在“双十一”大促前，SLO 预算窗口设置为固定的30天滚动。日常流量平稳时，预算消耗速度正常。但大促前一周，由于一次数据库慢查询优化，错误率短暂下降，团队误以为预算充足。大促当天流量激增，慢查询问题复发，错误率飙升，30天滚动预算在6小时内耗尽。由于未及时复核预算消耗速度的变化趋势，团队错过了提前扩容和降级保护的时间窗口，最终导致首页接口超时率超过SLA阈值，触发服务降级和赔偿。

教训： 静态预算窗口 + 缺乏复核 = 对突发风险的“盲视”。如果团队在大促前执行一次预算复核，就会发现“日常低错误率”掩盖了“高消耗速度”的风险，从而提前调整预算窗口或增加容量冗余。

4.6 复核检查清单

每次执行预算复核时，建议对照以下清单逐项检查，确保不遗漏关键维度：

• 预算消耗速度：当前窗口的日均/时均消耗是否超过历史基线？
• 剩余预算天数：按当前速度，剩余预算还能支撑多少天？是否低于窗口期的20%？
• 错误率分布：错误是集中在特定时段（如高峰期）还是均匀分布？是否出现新的错误类型？
• 变更关联：最近一次发布/配置变更后，预算消耗曲线是否出现拐点？
• 业务周期对齐：当前预算窗口是否覆盖了即将到来的大促/营销活动？是否需要临时调整窗口长度？
• SLO目标合理性：当前SLO目标（如99.9%）是否仍然符合业务预期？是否需要根据用户反馈上调或下调？