2. SLA指标体系设计：延迟、吞吐、可用性与数据新鲜度

聊完了SLA的基本概念，咱们得进入实操环节了。指标怎么定？哪些是关键？我见过不少团队，一上来就拍脑袋定个“99.9%”，结果上线后天天报警，运维同学苦不堪言。其实，特征平台的SLA指标，核心就四类：延迟、吞吐、可用性、数据新鲜度。咱们一个一个拆开聊。

2.1 延迟类指标：P99/P95/P50

延迟，说白了就是“用户等多久”。在特征平台里，这个“用户”可能是线上推理服务，也可能是离线批处理任务。我个人习惯，至少盯三个分位值：P50、P95、P99。

• P50（中位数）： 代表一半请求的延迟水平。如果P50都高，说明系统整体偏慢。
• P95： 代表95%的请求都能达到的水平。我一般拿它做日常监控的基准线。
• P99： 代表最慢的1%请求。这是SLA的“生死线”。

为什么特别关注P99？因为特征平台一旦出现长尾延迟，线上模型推理就可能超时，导致整个推荐链路降级。我在项目中遇到过，P50只有10ms，但P99飙到了500ms。排查后发现是某个热点特征的存储分片出现了毛刺。如果不看P99，这个问题根本发现不了。

延迟指标的采集，建议用客户端埋点+服务端日志双重校验。客户端埋点能反映真实用户体验，服务端日志方便排查问题。嗯，这里要注意：时间戳一定要对齐，否则算出来的分位值会偏差很大。

2.2 吞吐量指标：QPS与TPS

吞吐量，就是“系统能扛多少并发”。QPS（每秒查询数）和TPS（每秒事务数）是孪生兄弟，但侧重点不同。

指标	定义	适用场景	我常用的阈值
QPS	每秒查询次数	纯读取特征（如特征缓存查询）	峰值不超过集群容量的70%
TPS	每秒事务数	读写混合（如特征写入+更新）	峰值不超过集群容量的60%

你想想看，QPS和TPS的区别在哪？QPS只管“查”，TPS要管“查+写+确认”整个事务。在特征平台里，线上推理服务通常只关心QPS，而数据同步管道更关心TPS。

我个人习惯，吞吐量指标要跟延迟指标联动看。比如QPS上去了，P99延迟也跟着涨，那说明系统快扛不住了。如果QPS涨了但延迟没变，说明还有余量。

2.3 可用性指标：9的个数

可用性，就是“系统能正常服务的时间比例”。大家常说的“几个9”，比如99.9%（三个9）、99.99%（四个9）。但特征平台的可用性，不能简单套用通用公式。

为什么？因为特征平台是“有状态”的。你服务还在，但特征数据过期了，算不算可用？我个人认为，特征平台的可用性应该分两层：服务可用性和数据可用性。

• 服务可用性： API接口能正常响应。这个好算，用健康检查+请求成功率就行。
• 数据可用性： 特征数据在预期时间内到达且正确。这个难算，需要结合数据新鲜度。

我建议，服务可用性定到99.95%以上（大约一年宕机不超过4小时），数据可用性定到99.9%以上。但别盲目追求高可用——每多一个9，成本可能翻倍。

2.4 数据新鲜度指标

数据新鲜度，是特征平台独有的指标。它衡量的是“从数据产生到特征可用”的时间差。比如用户点击行为发生后，多久能体现在特征里？

新鲜度指标，我一般分三个等级：

1. 秒级新鲜度： 用于实时推荐、风控等场景。延迟要求小于1秒。
2. 分钟级新鲜度： 用于近线特征更新。延迟要求1-5分钟。
3. 小时级新鲜度： 用于离线批处理特征。延迟要求1小时以内。

怎么监控新鲜度？我常用的方法是“时间戳对比法”。在特征数据里埋一个event_time字段，然后在查询时对比当前时间和event_time的差值。如果差值超过阈值，就报警。

# 伪代码：新鲜度监控逻辑
def check_freshness(feature_value):
    event_time = feature_value['event_time']
    now = time.now()
    latency = now - event_time
    if latency > FRESHNESS_THRESHOLD:
        alert("数据新鲜度超标: {}s".format(latency))

2.5 指标体系全景图

好了，四个维度的指标都聊完了。咱们用一张图把它们串起来，看看整体关系。

这张图展示了四个维度的层级关系。中心是SLA指标体系，向外辐射出四个核心维度，每个维度下又有具体的子指标。我个人习惯，在搭建监控系统时，先按这个结构把指标分类，然后再逐个细化。

2.6 指标定义的最佳实践

最后，分享几个我踩过坑后总结出来的原则：

• 指标要可量化： 别定“响应时间要快”这种模糊目标。要写成“P99延迟小于100ms”。
• 指标要可复现： 不同团队拉出来的数据要一致。我建议统一用Prometheus + Grafana做指标采集和展示。
• 指标要有时间窗口： 比如“过去5分钟内P99延迟”。别用“今天平均延迟”，那会掩盖问题。
• 指标要有分级： 核心指标（P99、可用性）用红色报警，次要指标（P50、QPS）用黄色预警。