第二章 SRE核心概念与SLI/SLO高频问答

本章聚焦面试中必考的SLI/SLO、错误预算、可用性计算等核心概念。掌握回答框架，能帮你系统展示SRE思维而非零散经验。以下先给出答题路径图，再通过3个典型问答拆解考察点与应对模板。

🎯 面试问答一：请解释SLI和SLO的区别，你们团队如何确定SLI？

回答框架：

1. 明确定义：SLI是测量指标，SLO是目标值。
2. 选择维度：延迟、错误率、吞吐量、可用性。
3. 用户视角：优先选择用户直接感知的指标。
4. 实际案例：举例某个服务如何从APM工具中筛选SLI。

示例回答（80字）：“SLI是服务实际表现的直接度量，比如请求P99延迟；SLO则是我们承诺的目标，比如P99 ≤ 200ms。我们通常优先选择与用户体验强相关的指标，如首页接口的延迟和错误率，再根据历史百分位设定SLO。”

🎯 面试问答二：错误预算耗尽后，SRE应该做什么？

回答框架：

1. 错误预算含义：剩余可犯错额度。
2. 消耗殆尽时：触发“冻结期”——停止发布、聚焦可靠性。
3. 例外处理：安全补丁、P0故障修复可继续发布。
4. 复盘改进：分析预算消耗原因，降低下次风险。

示例回答（85字）：“错误预算耗尽说明服务可靠性已低于SLO，此时应暂停所有非关键变更，集中精力修复根本问题。例如，我们会启动‘发布冻结’，只允许安全更新和故障修复。同时组织复盘，优化SLI或调整SLO，避免未来重复透支。”

🎯 面试问答三：如何计算一个分布式系统的全年可用性？请给出公式与示例。

回答框架：

1. 单组件可用性公式：可用性 = (总时间 - 不可用时间) / 总时间。
2. 串联系统：各组件可用性相乘（最薄弱环节）。
3. 并联系统：可用性 = 1 - (1-A1)*(1-A2)。
4. 实际举例：依赖三个服务，每个99.9%，串联后 ≈ 99.7%。

示例回答（90字）：“假设核心链路依赖A、B、C三个服务，各自可用性为99.9%，串联后可用性=0.999³≈99.7%。而通过冗余设计（如多AZ部署），可将并联部分提升至1-(0.001)²≈99.9999%。实际中我们会先计算关键路径的单点故障影响，再针对瓶颈做冗余。”

📁 项目案例：电商平台核心交易链路SLO优化