1. 课程导论
1.1 Golden Signals 的起源
2014 年，Google 的 SRE 团队在《Site Reliability Engineering》一书中正式提出了 Golden Signals（黄金信号）的概念。这一框架脱胎于 Google 内部多年运维大规模分布式系统的实战经验，旨在帮助 SRE 团队从海量监控指标中提炼出最核心的四个维度，快速判断服务的健康状态。
在 Golden Signals 出现之前，许多团队陷入“指标爆炸”的困境——每个组件、每层基础设施都产生大量监控数据，但真正能反映用户体验和系统可靠性的信号却淹没在噪声中。Google 的 SRE 通过归纳总结，将监控指标收敛为四个关键信号，形成了业界公认的监控最佳实践。
1.2 四大黄金信号定义
| 信号 | 英文 | 核心含义 | 典型度量 |
|---|---|---|---|
| 延迟 | Latency | 请求从发出到收到响应所花费的时间 | P50 / P95 / P99 延迟（毫秒） |
| 流量 | Traffic | 系统当前承载的请求量级 | QPS / RPS / 带宽使用率 |
| 错误 | Errors | 请求失败的比率，包括显式错误和隐式错误 | HTTP 5xx 率 / 超时率 / 业务错误码率 |
| 饱和度 | Saturation | 系统资源被占用的程度，越接近极限越危险 | CPU / 内存 / 磁盘 / 连接池使用率 |
关键认知： 四个信号不是孤立存在的。例如，延迟升高可能是饱和度增加导致的，错误率上升可能是延迟超时引发的连锁反应。Golden Signals 的价值在于让你从四个维度交叉定位问题，而不是只看单一指标。
1.3 Golden Signals 关系图
1.4 误差预算（Error Budget）核心概念
误差预算是 SRE 将可靠性量化为可管理指标的核心工具。它的逻辑非常简单：
- 定义 SLO（服务等级目标）：例如“99.9% 的请求在 200ms 内完成”。
- 计算误差预算：在 SLO 之上，允许失败的时间或请求比例。例如 99.9% SLO 意味着每月允许约 0.1% 的请求失败，即 43 分钟的不可用时间。
- 预算消耗与燃尽：每次故障、延迟超标或错误率上升都会消耗误差预算。当预算接近耗尽时，团队应停止发布新功能，优先投入稳定性工作。
误差预算公式：
Error Budget = 1 − SLO
例如：SLO = 99.9% → Error Budget = 0.1%
月度预算 = 30天 × 24小时 × 60分钟 × 0.1% ≈ 43.2 分钟
Error Budget = 1 − SLO
例如：SLO = 99.9% → Error Budget = 0.1%
月度预算 = 30天 × 24小时 × 60分钟 × 0.1% ≈ 43.2 分钟
1.5 误差预算与 Golden Signals 的关联
Golden Signals 是误差预算的数据来源，误差预算则是 Golden Signals 的决策依据。两者结合形成闭环：
- 采集：通过 Golden Signals 持续采集延迟、流量、错误、饱和度数据。
- 度量：将信号数据与 SLO 目标对比，计算误差预算消耗量。
- 决策：当预算消耗超过阈值时，触发告警并启动稳定性响应流程。
- 复盘：故障结束后，基于误差预算消耗量评估故障影响等级。
1.6 误差预算复核流程
1.7 本课程学习目标
| 模块 | 学习目标 | 产出物 |
|---|---|---|
| 基础篇 | 掌握 Golden Signals 定义、SLO/SLI/Error Budget 建模方法 | 可复用的 SLO 定义模板 |
| 实践篇 | 学会在 Prometheus / Grafana 中配置黄金信号监控与误差预算面板 | 可部署的监控仪表盘 JSON |
| 复核篇 | 掌握误差预算消耗告警规则、故障影响评估与复盘流程 | 误差预算复核 SOP 文档 |
| 进阶篇 | 理解多服务级联误差预算、容量规划与发布节奏控制 | 自动化复核脚本与策略 |
1.8 适用人群
- SRE / 运维工程师：希望建立科学的可靠性度量体系，告别“拍脑袋”定 SLA。
- 后端 / 平台开发工程师：需要理解服务上线后如何用数据衡量稳定性，提升发布信心。
- 技术管理者 / 架构师：需要制定团队可靠性目标，平衡功能迭代与稳定性投入。
- 可观测性平台建设者：正在搭建或优化监控告警体系，希望对齐业界最佳实践。
前置要求： 建议学员具备基础的监控系统使用经验（如 Prometheus、Grafana），了解 HTTP 协议和分布式系统基本概念。本课程不要求精通数学统计，但需要理解百分位数（P50/P95/P99）的含义。