4. SLA基础与指标体系
在行情数据链路中，“延迟”如果只停留在“感觉有点慢”的层面，就无法驱动运维决策，也无法向业务方证明系统是否达标。SLA、SLO、SLI 这三个概念，正是把模糊的体验转化为可执行、可考核、可复盘的工程语言。理解它们之间的层级关系，是搭建行情延迟监控体系的第一步。
一、核心原理：SLA、SLO、SLI 的层级关系
SLI（Service Level Indicator，服务等级指标）是对系统实际表现的量化测量，回答“现在到底有多快”。在行情场景中，SLI 可以是“行情快照从交易所发出到客户端可读的耗时”，单位是毫秒。SLI 必须是可采集、可聚合、可复现的原始数据。
SLO（Service Level Objective，服务等级目标）是团队对 SLI 设定的内部目标值，回答“我们希望做到多快”。例如“P99 端到端延迟不超过 50ms，月度达标率不低于 99.9%”。SLO 是工程团队自我约束的标尺，通常比对外承诺更严格，留出缓冲空间。
SLA（Service Level Agreement，服务等级协议）是面向客户或业务方的正式承诺，回答“我们承诺做到多快，做不到怎么赔”。SLA 往往包含赔偿条款、统计周期和免责条件，因此它的阈值通常比 SLO 宽松，避免因偶发波动触发违约。
二、行情延迟 SLA 的常见指标
行情延迟的 SLI 不能只看平均值。平均值会被大量正常样本稀释，掩盖尾部用户的糟糕体验。因此业界普遍采用分位数与达标率组合，形成完整的延迟画像。
| 指标 | 含义 | 行情场景典型用途 | 常见阈值示例 |
|---|---|---|---|
| P50 | 50% 请求的延迟低于该值，即中位数 | 反映大多数用户的常态体验 | ≤ 8ms |
| P95 | 95% 请求的延迟低于该值 | 识别轻度拥塞与网络抖动 | ≤ 25ms |
| P99 | 99% 请求的延迟低于该值 | 核心 SLA 承诺指标，覆盖尾部体验 | ≤ 50ms |
| Max | 统计窗口内的最大延迟 | 排查极端卡顿、GC 停顿、重连风暴 | ≤ 200ms |
| 达标率 | 满足阈值的时间窗口占比 | 月度 SLA 结算与赔偿判定 | ≥ 99.9% |
分位数之间不是孤立的。P50 与 P99 的差距（尾延迟放大倍数）能反映系统稳定性：如果 P50 是 5ms 而 P99 是 200ms，说明存在明显的长尾问题，可能是某几个行情源或某段网络路径拖累。达标率则把“是否达标”变成时间维度上的比例，便于按天、按周、按月结算。
三、方法流程：从采集到 SLA 结算
- 埋点采集：在行情网关、解码模块、分发队列、客户端 SDK 等关键节点打时间戳，记录每条行情消息的进入与离开时间。
- 延迟计算：用离开时间减去进入时间，得到单条消息的端到端延迟，单位统一为毫秒。
- 窗口聚合：按 1 秒或 10 秒窗口计算 P50、P95、P99、Max，避免逐条上报造成存储爆炸。
- 达标判定：将每个窗口的 P99 与 SLO 阈值比较，标记达标或未达标。
- 周期结算：按自然月统计达标窗口占比，得到月度达标率，与 SLA 条款比对。
# 示例：用 PromQL 计算行情端到端 P99 延迟
histogram_quantile(
0.99,
sum(rate(market_data_latency_bucket[5m])) by (le, source)
)
# 示例：计算过去 30 天 P99 达标率
sum_over_time(
(market_data_latency_p99 <= 50)[30d:1m]
) / count_over_time(
(market_data_latency_p99)[30d:1m]
)四、案例与场景：一次 P99 超标复盘
某券商行情中台对外 SLA 承诺“P99 端到端延迟 ≤ 80ms，月度达标率 ≥ 99.5%”。某月结算时达标率仅为 99.1%，触发赔偿条款。团队复盘发现：P50 和 P95 全月正常，但每天开盘前 3 分钟 P99 飙升至 300ms 以上，Max 达到 1.2s。
进一步排查发现，开盘前大量客户端同时发起全量快照请求，解码线程池被瞬时打满，导致部分消息在队列中排队超过 200ms。问题不在网络，而在应用层的并发控制。团队随后增加了快照请求的限流与优先级队列，并在 SLO 中新增“开盘前 5 分钟 P99 ≤ 100ms”的独立目标，作为 SLA 的内部预警。
常见误区二：SLA 与 SLO 阈值倒挂。如果 SLO 比 SLA 还宽松，内部就没有预警空间，等到 SLA 违约时已经来不及干预。
常见误区三：统计窗口过粗。按小时聚合会掩盖分钟级抖动，建议至少保留秒级或分钟级原始窗口，再向上汇总。
建立指标体系后，下一步才是监控告警与可视化。但在此之前，请确保团队对 SLI 的定义、采集点、聚合方式和统计周期达成一致——口径不统一，后续所有数字都不可信。