3. SLI指标设计原则
在 SLO 体系中，SLI（Service Level Indicator）是衡量服务质量的具体量化指标。选择错误的 SLI 会导致 SLO 失去意义，甚至误导优化方向。本节围绕 RED 方法（Rate、Errors、Duration）展开，讲解如何为不同服务层选择正确的黄金信号指标。
3.1 RED 方法：三大黄金信号
RED 方法由 Google SRE 团队提出，将服务监控指标简化为三个核心维度，覆盖用户可感知的服务质量全貌：
| 维度 | 指标名称 | 含义 | 典型 PromQL 示例 |
|---|---|---|---|
| Rate | 请求速率 | 单位时间内服务接收的请求总数 | rate(http_requests_total[5m]) |
| Errors | 错误率 | 失败请求占总请求的比例 | rate(http_requests_total{status=~"5.."}[5m]) / rate(http_requests_total[5m]) |
| Duration | 响应延迟 | 请求处理耗时分布，通常取 p50/p95/p99 | histogram_quantile(0.99, rate(http_request_duration_seconds_bucket[5m])) |
实践要点：RED 指标必须从用户视角采集。例如，对于 API 网关，Rate 是客户端发起的请求数，而非后端内部重试次数；Errors 应包含 HTTP 5xx 和业务逻辑错误码（如 200 但 body 含 error 字段）。
3.2 SLI 设计原则：从 RED 到黄金信号
选择 SLI 时需遵循以下四项原则，确保指标可测量、可对比、可行动：
- 用户相关：指标必须反映用户真实体验，而非内部系统健康度。例如，数据库连接池空闲数不是 SLI，但查询延迟是。
- 可测量：指标必须能被 Prometheus 等工具稳定采集，且具有明确的计数/分布语义。
- 可对比：同一指标在不同时间、版本、集群间应保持一致的采集方式和标签结构。
- 可行动：当 SLI 偏离阈值时，团队能通过告警定位到具体组件或代码变更。
避坑提醒：不要将基础设施指标（如 CPU 使用率、内存占用）直接作为 SLI。这些指标与用户体验之间通常存在间接关系，容易产生误报。正确的做法是将基础设施指标作为故障根因分析的辅助数据，而非 SLO 计算依据。
3.3 不同服务层的 RED 指标选择矩阵
不同服务类型对 RED 指标的侧重点不同。下表给出常见服务层的推荐 SLI 组合：
| 服务类型 | Rate | Errors | Duration | 说明 |
|---|---|---|---|---|
| HTTP API / 网关 | 请求数/秒 | 5xx 比例 + 业务错误码比例 | p99 延迟 | 最经典的 RED 应用场景 |
| gRPC 服务 | RPC 调用数/秒 | 非 OK 状态码比例 | p99 延迟（按 method 拆分） | 注意区分 UNAVAILABLE 与 INTERNAL |
| 消息队列消费者 | 消息处理数/秒 | 处理失败 + 重试次数 | 端到端处理延迟（p95） | Rate 需区分生产与消费速率 |
| 数据库查询 | 查询数/秒 | 超时 + 错误查询比例 | p99 查询延迟 | 需按查询类型（读/写）拆分 |
| 批处理作业 | 作业完成数/时间窗口 | 失败作业比例 | 作业完成时长（p95） | Rate 通常按天或小时聚合 |
3.4 黄金信号与 SLI 的映射关系
下图展示 RED 三大黄金信号如何映射到具体的 Prometheus 指标类型和 SLO 目标：
3.5 实战案例：为订单服务定义 SLI
假设我们有一个订单创建服务（HTTP API），需要为其定义 SLI。按照 RED 方法，推荐指标如下：
# 1. Rate：每秒订单创建请求数
rate(order_create_requests_total[5m])
# 2. Errors：HTTP 5xx 错误率 + 业务错误率（如库存不足）
rate(order_create_requests_total{status=~"5.."}[5m]) / rate(order_create_requests_total[5m])
# 3. Duration：订单创建接口 p99 延迟
histogram_quantile(0.99, rate(order_create_duration_seconds_bucket[5m]))
关键决策：对于 Errors 指标，必须明确“什么是错误”。在订单服务中，HTTP 200 但返回“库存不足”也应计入错误率，因为这对用户而言是失败体验。建议在应用层通过自定义 metric（如
order_create_errors_total{reason="out_of_stock"}）记录业务错误。
3.6 避免常见的 SLI 设计陷阱
- 陷阱一：使用平均值代替分位数。平均延迟会掩盖长尾请求，必须使用 p95/p99 分位数。
- 陷阱二：忽略 Rate 的归一化。不同时间窗口的 Rate 值不可直接对比，统一使用 5m 或 10m 窗口。
- 陷阱三：Errors 只统计 HTTP 5xx。业务错误（如 4xx 中的 429 限流、200 中的业务失败）同样消耗错误预算。
- 陷阱四：Duration 指标未按维度拆分。不同 API 路径、不同用户类型的延迟差异可能很大，需按
endpoint、method等标签拆分。
通过遵循 RED 方法和上述原则，你可以为任何服务层设计出可测量、可对比、可行动的 SLI 指标，为后续的 SLO 定义和性能调优打下坚实基础。