2. SRE 基础回顾
在深入《Golden Signals 误差预算》之前，必须统一三个核心术语的定义。SLI、SLO、SLA 构成了 SRE 所有量化决策的基石。理解它们的区别与联系，是后续计算误差预算、触发告警、进行复盘的前提。
2.1 核心定义
| 术语 | 英文全称 | 定义 | 核心特征 |
|---|---|---|---|
| SLI | Service Level Indicator | 服务等级指标，是对某个服务质量维度的具体量化测量值。 | 可测量、可聚合、通常为比率（如成功率、延迟分位数）。 |
| SLO | Service Level Objective | 服务等级目标，是团队为 SLI 设定的目标阈值或范围。 | 内部承诺、驱动工程决策、是误差预算的边界。 |
| SLA | Service Level Agreement | 服务等级协议，是面向客户或外部实体的正式承诺，通常附带惩罚条款。 | 外部合同、法律约束、通常比 SLO 宽松。 |
SRE 黄金法则： 永远不要将 SLO 设置得比 SLA 更宽松。内部目标（SLO）必须比外部承诺（SLA）更严格，为团队预留缓冲空间，避免触发惩罚。
2.2 三者的层级关系
从数据采集到商业合同，SLI → SLO → SLA 构成了一个自下而上的金字塔结构。SLI 是原始观测数据，SLO 是内部质量标尺，SLA 是外部商业红线。
2.3 关键区别与常见误区
- SLI 是“测量值”，SLO 是“目标值”，SLA 是“合同值”。SLI 是事实，SLO 是期望，SLA 是底线。
- SLO 是内部工程驱动，SLA 是外部商业驱动。SLO 由 SRE 团队与产品团队共同制定；SLA 由法务、销售与客户协商确定。
- 一个 SLA 可以对应多个 SLO。例如，一个 SLA 承诺“99.9% 可用性”，但内部可能同时跟踪延迟 SLO（P99 < 500ms）和错误率 SLO（< 0.1%）。
- 并非所有 SLO 都需要升级为 SLA。许多内部质量指标（如缓存命中率、异步任务成功率）只作为 SLO 管理，不出现在 SLA 中。
2.4 典型示例：电商下单链路
| 层级 | 示例内容 | 说明 |
|---|---|---|
| SLI | 下单接口请求成功率 = 成功响应数 / 总请求数 | 每 1 分钟计算一次，原始指标 |
| SLO | 月度 SLI ≥ 99.95% | 内部目标，误差预算 = 0.05% |
| SLA | 月度可用性 ≥ 99.9%，否则赔付 5% 月费 | 外部合同，比 SLO 宽松 0.05% |
常见陷阱： 不要将 SLI 直接当作 SLO 使用。SLI 是原始数据，SLO 是经过时间窗口聚合后的目标。例如，单次 1 分钟窗口的 SLI 降到 99% 并不一定违反 SLO，需要看整个复合时间窗口（如 28 天滚动窗口）的聚合结果。
2.5 三者在误差预算中的角色
误差预算 = 1 - SLO。这个预算代表了服务在遵守 SLO 的前提下，允许出现故障的时间比例。SLI 的实际表现与 SLO 之间的差值，决定了误差预算的消耗速度。
2.6 实践建议：如何定义你的第一个 SLO
- 选择关键 SLI：从 Golden Signals（延迟、流量、错误、饱和度）中选取 2-3 个最能反映用户体验的指标。
- 确定测量窗口：通常使用 28 天或 30 天滚动窗口，避免单次抖动导致目标频繁变动。
- 设定初始 SLO：参考行业基准（如 99.9%、99.99%），但结合当前系统实际表现，设定一个“努力可达”的目标。
- 定义误差预算策略：明确当预算耗尽时，团队将冻结新功能发布，优先进行稳定性投入。
- 定期复审：每季度或每半年复审 SLO，根据业务增长和技术演进进行调整。
关键总结： SLI 是“测量什么”，SLO 是“目标多少”，SLA 是“承诺多少”。误差预算 = 1 - SLO，是连接 SLI 实际表现与工程决策的量化桥梁。在后续章节中，我们将基于此框架，深入 Golden Signals 的每个信号如何影响误差预算的计算与复核。