1. SLO 基础概念：服务等级目标
服务等级目标（Service Level Objective, SLO）是站点可靠性工程（SRE）与可观测性实践的核心度量。它定义了一个服务在特定时间窗口内应达到的可靠性水平，通常以百分比形式表示，例如“API 请求的 99.9% 在 200ms 内完成”。
理解 SLO 需要先厘清它与 SLA、SLI 的关系，以及为什么 SLO 是可靠性工程的基石。
1.1 SLI / SLO / SLA 三角关系
三个概念构成可靠性度量的完整链路：
| 术语 | 全称 | 定义 | 典型示例 |
|---|---|---|---|
| SLI | Service Level Indicator | 服务等级指标，是实际测量的服务质量数值 | 请求延迟 P99 = 180ms |
| SLO | Service Level Objective | 服务等级目标，是期望达到的可靠性阈值 | 99.9% 请求延迟 ≤ 200ms |
| SLA | Service Level Agreement | 服务等级协议，是对外承诺的法律/商业条款 | 99.95% 可用性，否则赔偿 10% 月费 |
关键区别： SLI 是“实际值”，SLO 是“目标值”，SLA 是“承诺值”。SLO 通常比 SLA 更严格（内部目标高于对外承诺），为可靠性留出安全缓冲。
1.2 SLO 定义的核心要素
一个完整的 SLO 定义包含以下维度：
- 指标类型：可用性、延迟、吞吐量、错误率、饱和度（USE 方法）
- 测量窗口：滚动窗口（如 30 天）、日历窗口（如月度）
- 目标阈值：如 99.9%、99.99%（“多少个九”）
- 合规条件：好事件 / 总事件 ≥ 阈值
- 排除条件：计划内维护、客户端错误（4xx）是否计入
# Prometheus 中 SLO 合规率的典型计算表达式
# 以 HTTP 请求延迟为例（好事件：延迟 ≤ 200ms）
slo_compliance = (
sum(rate(http_request_duration_seconds_bucket{le="0.2"}[5m]))
/
sum(rate(http_request_duration_seconds_count[5m]))
) * 1001.3 为什么 SLO 对可靠性至关重要
SLO 将抽象的“可靠性”转化为可量化、可追踪、可告警的工程指标，其核心价值体现在：
- 定义“足够好”：避免追求 100% 可用性的不切实际成本，明确可接受的故障边界。
- 驱动错误预算：SLO 与错误预算（Error Budget）直接挂钩——100% - SLO = 允许的故障时间，指导发布节奏与风险决策。
- 对齐业务与工程：SLO 将用户体验（如页面加载快慢）映射为技术指标，使团队聚焦对用户真正重要的维度。
- 触发自愈与告警：基于 SLO 燃烧速率（Burn Rate）的告警比静态阈值更早发现潜在故障，为自动化自愈争取时间。
SRE 最佳实践： 始终从用户视角定义 SLI 和 SLO。例如，对于 Web 服务，优先关注“首页加载延迟”而非“服务器 CPU 使用率”——前者直接影响用户感知，后者只是内部信号。
1.4 SLI → SLO → 错误预算 关系图
1.5 常见 SLO 类型与示例
| SLO 类型 | SLI 示例（Prometheus 指标） | SLO 目标 | 典型窗口 |
|---|---|---|---|
| 可用性 | up{job="api-server"} == 1 |
99.99% | 30 天滚动 |
| 延迟 | histogram_quantile(0.99, rate(http_request_duration_seconds_bucket[5m])) |
P99 ≤ 200ms | 7 天滚动 |
| 错误率 | sum(rate(http_requests_total{status=~"5.."}[5m])) / sum(rate(http_requests_total[5m])) |
< 0.1% | 1 小时 |
| 吞吐量 | sum(rate(http_requests_total[5m])) |
≥ 1000 req/s | 5 分钟 |
常见陷阱： 不要定义无法测量的 SLO。如果无法通过 Prometheus 或其他可观测性工具采集到准确的 SLI，该 SLO 就是“纸面目标”，无法用于告警或自愈。始终先确认 SLI 的可观测性，再设定 SLO。
1.6 本章小结
- SLI 是实际测量值，SLO 是内部目标，SLA 是对外承诺。
- SLO 将可靠性量化为百分比，驱动错误预算机制，平衡创新速度与系统稳定。
- 在 Prometheus 生态中，SLO 通过
histogram_quantile、rate、sum等函数计算合规率，并作为燃烧速率告警的输入。 - 良好的 SLO 定义是故障自愈机制的前提——只有知道“什么是正常”，才能自动化地“恢复正常”。