📚 课程目录第3章 SLI分类与选择

3. SLI分类与选择

在构建服务等级指标（SLI）时，首先需要明确指标的类别。Google SRE 经典体系将 SLI 归纳为五大黄金信号：可用性、延迟、吞吐量、错误率 和 饱和度。正确分类是后续定义 SLO 和设计误差预算的前提。

核心原则： 每个 SLI 必须对应一个明确的“好事件”定义。例如，“可用性”的好事件是“请求成功”，“延迟”的好事件是“响应时间 ≤ 阈值”。

分类	定义	典型测量方式	常见陷阱
可用性	服务能够正常处理请求的时间比例或请求比例。	成功请求数 / 总请求数；或正常运行时间 / 总时间。	忽略健康检查端点；将 4xx 错误计入不可用。
延迟	服务响应请求所花费的时间。	百分位数（p50, p95, p99）；通常以毫秒为单位。	仅使用平均值；未区分客户端与服务器端延迟。
吞吐量	系统在单位时间内处理的请求量或数据量。	每秒请求数（RPS）、每秒事务数（TPS）、每秒字节数。	与并发数混淆；未考虑请求大小差异。
错误率	请求处理失败的比率。	HTTP 5xx 错误数 / 总请求数；或业务逻辑错误数。	仅监控显式错误；忽略隐式错误（如返回 200 但数据错误）。
饱和度	服务资源被使用的程度，通常反映容量瓶颈。	CPU 使用率、内存使用率、队列深度、连接池占用率。	使用 100% 作为唯一阈值；忽略软限制（如 GC 压力）。

  选择优先级： 对于用户可见的在线服务，推荐优先定义 可用性 和 延迟 的 SLI；对于批处理或数据管道，吞吐量 和 错误率 更为关键；饱和度 通常作为预警指标，辅助容量规划。

选择正确的 SLI 需要遵循系统化的步骤，避免主观臆断。以下流程帮助团队从用户旅程出发，逐步收敛到可测量的指标。

以电商平台的“用户下单”操作为例，展示如何为不同组件选择合适的 SLI 分类。

系统组件	推荐 SLI 分类	具体指标定义	选择理由
前端 / API 网关	可用性、延迟	HTTP 请求成功率 ≥ 99.9%；p99 延迟 ≤ 500ms	直接面向用户，可用性和延迟直接影响转化率。
订单服务	错误率、延迟	业务错误率 ≤ 1%；p95 延迟 ≤ 200ms	业务逻辑复杂，需区分系统错误与业务错误。
库存数据库	饱和度、延迟	连接池使用率 ≤ 80%；p99 查询延迟 ≤ 50ms	数据库是常见瓶颈，饱和度预警可提前扩容。
支付回调	吞吐量、错误率	处理能力 ≥ 1000 TPS；回调失败率 ≤ 0.1%	大促期间流量突增，吞吐量是核心关注点。

常见误区： 不要试图为每个组件定义所有五个 SLI。过多的指标会导致监控噪音和运维成本上升。每个组件选择 1-2 个最关键的信号即可。

饱和度是五个黄金信号中最容易被误解的一个。它不直接衡量用户体验，而是衡量系统距离容量极限的程度。饱和度 SLI 通常作为前兆指标，在可用性或延迟恶化之前发出预警。

在最终确定 SLI 之前，建议团队对照以下清单进行评审，确保指标的有效性和可操作性。

  最佳实践： 初始阶段为每个服务定义 2-3 个 SLI，运行一个季度后根据实际告警和事故复盘进行调整。SLI 不是一成不变的，它应该随着系统架构和用户需求的变化而演进。