1. 课程导论
1.1 从可靠性工程到量化管理
现代SRE实践的核心在于用数据驱动可靠性决策。传统的“系统是否稳定”这类模糊判断，已被服务等级指标（SLI）和服务等级目标（SLO）构成的量化体系取代。SLI是衡量系统某一维度（如延迟、错误率、吞吐量）的具体度量值；SLO则是SLI的目标阈值范围，代表系统承诺的可靠性水位。
核心公式： 可靠性 = 符合SLO的SLI样本数 / 总样本数。没有校准的SLI口径，SLO就是空壳。
1.2 SLI与SLO核心概念对比
| 维度 | SLI（服务等级指标） | SLO（服务等级目标） |
|---|---|---|
| 定义 | 系统行为的可量化测量值 | SLI应达到的目标阈值或范围 |
| 示例 | 请求延迟P99 = 120ms | P99延迟 ≤ 200ms（99.9%周期内） |
| 粒度 | 原始数据点或聚合窗口 | 时间窗口（滚动30天/日历月） |
| 变更频率 | 随系统架构调整而变 | 相对稳定，季度/半年度评审 |
| 评审焦点 | 口径是否准确反映用户体验 | 阈值是否匹配业务风险容忍度 |
1.3 阈值校准在可靠性评审中的重要性
在可靠性评审中，阈值校准是指对SLI的采集口径、聚合方式、统计窗口以及SLO的容忍边界进行系统性审查与调整的过程。未经校准的阈值会导致以下典型问题：
- 虚假告警风暴：口径过窄或窗口过短，将正常波动误判为故障。
- 盲区遗漏：口径未覆盖关键用户路径，真实故障被SLO掩盖。
- 预算浪费：过度追求高SLO（如99.999%），投入产出比失衡。
- 评审流于形式：阈值长期不调整，与业务实际脱节。
经验法则：每次重大架构变更、业务峰值季或事故复盘后，都应触发一次SLI口径与阈值的校准评审。
1.4 课程目标与学习路径
本课程旨在帮助SRE工程师、平台可靠性负责人及技术管理者，建立一套可复用的SLI口径阈值校准方法论。完成本课程后，学员将能够：
- 识别SLI口径定义中的常见偏差（采样偏差、聚合偏差、窗口偏差）。
- 运用统计方法（置信区间、误差预算消耗速率）校准SLO阈值。
- 在可靠性评审中输出结构化的校准报告，驱动改进决策。
1.5 学习路径概览
| 阶段 | 章节范围 | 核心产出 |
|---|---|---|
| 基础篇 | 第1-4章 | SLI口径定义模板、SLO阈值初版设定 |
| 方法篇 | 第5-12章 | 校准算法（EWMA/分位数偏差）、评审检查清单 |
| 实践篇 | 第13-20章 | 多场景案例（高并发/微服务/存储）、自动化校准脚本 |
| 进阶篇 | 第21-30章 | 组织级校准流程、SLO风险建模、持续改进机制 |
前置要求：建议学员具备基础SRE概念（如错误预算、燃烧速率）和至少一种监控工具（Prometheus/Datadog/Grafana）的使用经验。本课程不涉及基础监控搭建，聚焦于口径与阈值的校准决策。