1. SLO 与 Error Budget 基础概念
在云原生运维与站点可靠性工程（SRE）体系中，SLO（Service Level Objective）、SLI（Service Level Indicator） 和 Error Budget（错误预算） 是三个环环相扣的核心概念。它们共同构成了服务可靠性量化管理的基石，也是后续实现基于 Error Budget 的自动扩缩容配置的理论前提。
1.1 核心定义与关系
| 概念 | 英文全称 | 定义 | 类比 |
|---|---|---|---|
| SLI | Service Level Indicator | 服务等级指标，是衡量服务质量某一维度的原始测量值。例如：请求延迟 P99、错误率、吞吐量。 | 汽车仪表盘上的“时速”读数 |
| SLO | Service Level Objective | 服务等级目标，是对 SLI 设定的目标阈值或范围。例如：99.9% 的请求延迟 ≤ 200ms。 | 限速牌上的“最高时速 120 km/h” |
| Error Budget | Error Budget | 错误预算，是 SLO 允许的最大不可用时间或错误次数。计算公式：1 − SLO。 | 油箱中剩余的“容错油量” |
核心关系公式：
Error Budget = 1 − SLO（以百分比表示）
例如：SLO = 99.9% → Error Budget = 0.1%（即每 30 天允许约 43.2 分钟的不可用时间）1.2 三者的层级与流转关系
下图展示了从原始指标到决策驱动的完整链路：
1.3 典型 SLI 指标维度
在实际生产环境中，常见的 SLI 指标包括但不限于以下维度：
- 可用性（Availability）：服务成功响应的请求占比，通常以 5xx 错误率为衡量标准。
- 延迟（Latency）：请求从发出到收到完整响应的时间，常用 P50、P95、P99 分位值。
- 吞吐量（Throughput）：单位时间内成功处理的请求数（RPS/QPS）。
- 错误率（Error Rate）：返回 HTTP 5xx 或业务错误码的请求比例。
- 饱和度（Saturation）：资源使用程度，如 CPU 使用率、内存占用、连接池占用率。
实践建议： 选择 SLI 时遵循“用户可见”原则——只衡量用户能直接感知到的服务质量维度。例如，对于 API 网关服务，延迟和错误率是核心 SLI；对于数据库服务，查询延迟和连接成功率更为关键。
1.4 SLO 与 Error Budget 的典型数值对照
| SLO 目标 | Error Budget（百分比） | 30 天允许不可用时间 | 365 天允许不可用时间 |
|---|---|---|---|
| 99.9%（三个九） | 0.1% | ≈ 43.2 分钟 | ≈ 8.76 小时 |
| 99.95% | 0.05% | ≈ 21.6 分钟 | ≈ 4.38 小时 |
| 99.99%（四个九） | 0.01% | ≈ 4.32 分钟 | ≈ 52.56 分钟 |
| 99.999%（五个九） | 0.001% | ≈ 25.9 秒 | ≈ 5.26 分钟 |
注意： 并非 SLO 越高越好。过高的 SLO（如 99.999%）会大幅压缩 Error Budget，导致运维团队几乎没有容错空间，频繁触发告警和扩缩容，反而增加系统复杂度和成本。建议根据业务重要性和成本预算合理选择 SLO 目标。
1.5 Error Budget 的消耗与重置机制
Error Budget 的消耗是一个滑动窗口累积过程，通常以 30 天为周期滚动计算：
- 消耗来源：任何违反 SLO 的事件（如延迟超标、错误率上升）都会消耗 Error Budget。
- 重置机制：Error Budget 不是“月初清零”，而是基于滑动窗口持续滚动——每天最旧的数据点被丢弃，最新数据点加入计算。
- 消耗速率：当服务持续处于健康状态时，Error Budget 会逐渐恢复；当故障发生时，Budget 快速消耗。
1.6 与自动扩缩容的关联
在本课程中，Error Budget 将作为触发自动扩缩容的核心信号：
- Budget 充足（> 50%）：服务健康，保持当前副本数或适当缩容以节省成本。
- Budget 中等（20% ~ 50%）：进入预警状态，适当扩容以增加冗余。
- Budget 紧张（< 20%）：立即触发快速扩容，全力保障 SLO 不被突破。
- Budget 耗尽（0%）：触发最高优先级响应，强制扩容并暂停非关键发布。