2. Error Budget 的数学原理：基于可用性百分比的 Error Budget 计算公式，以及消耗速率模型

Error Budget 的核心思想是将服务可靠性量化为一个可消耗的“预算”。这个预算的数学基础建立在可用性百分比之上，通过简单的减法即可得出，而其消耗速率则决定了 SRE 团队何时需要介入干预。

2.1 可用性百分比与 Error Budget 计算公式

在 SRE 实践中，服务的可靠性通常用服务等级目标（SLO）来衡量，SLO 以可用性百分比表示，例如 99.9%（三个九）、99.99%（四个九）。Error Budget 的计算公式极其简洁：

这个公式的含义是：在给定的时间窗口（通常为 28 天或 30 天滚动窗口）内，服务允许的最大不可用时间或错误率。例如：

SLO（可用性百分比）	Error Budget（30 天窗口）	含义
99.9%（三个九）	43.2 分钟	每月最多允许 43.2 分钟不可用
99.99%（四个九）	4.32 分钟	每月最多允许 4.32 分钟不可用
99.999%（五个九）	25.9 秒	每月最多允许 25.9 秒不可用

这个预算不是“一次性”的，而是在整个时间窗口内持续消耗和重置的。理解这一点是掌握消耗速率模型的关键。

2.2 消耗速率模型：预算如何被“烧掉”

Error Budget 的消耗速率模型描述了错误事件如何随时间累积消耗预算。它不是一个静态的阈值，而是一个动态的、基于时间序列的消耗过程。

消耗速率的基本公式为：

消耗速率 = 错误事件持续时间 × 错误事件影响权重 / 时间窗口

在实际系统中，消耗速率通常通过以下两种方式建模：

1. 基于时间的消耗模型：适用于可用性 SLO（如 uptime）。每次服务不可用事件发生时，其持续时间直接消耗预算。
2. 基于请求的消耗模型：适用于延迟或错误率 SLO。每次请求失败或超时，按比例消耗预算。

2.3 燃烧率（Burn Rate）与预警阈值

燃烧率是消耗速率模型的核心指标，定义为：

当燃烧率 > 1 时，意味着预算消耗速度超过了“匀速消耗”的理想线，服务正在加速消耗其可靠性预算。SRE 实践中通常定义多个燃烧率阈值来触发不同级别的告警：

燃烧率阈值	含义	典型告警级别	响应时间要求
1x	匀速消耗，刚好用完预算	信息（Info）	无需立即响应
2x	预算消耗速度翻倍	警告（Warning）	24 小时内评估
5x	预算将在 1/5 时间内耗尽	严重（Critical）	1 小时内响应
10x	预算将在数小时内耗尽	紧急（Pager）	立即响应

下图展示了 Error Budget 的消耗速率模型与燃烧率的关系：

2.4 多窗口消耗策略：快速检测与慢速恢复

为了平衡检测灵敏度和误报率，SRE 实践中通常使用多时间窗口的消耗速率模型。Google 的 SRE 团队推荐使用“多窗口燃烧率告警”策略：

• 短窗口（如 1 小时）：高燃烧率阈值（如 10x），用于快速检测严重故障。
• 长窗口（如 6 小时）：中等燃烧率阈值（如 5x），用于检测持续性问题。
• 超长窗口（如 24 小时）：低燃烧率阈值（如 2x），用于检测慢性退化。

2.5 消耗速率模型在自动扩缩容中的应用

理解消耗速率模型后，我们可以将其与自动扩缩容策略结合：

燃烧率状态	Error Budget 剩余	扩缩容动作	说明
燃烧率 < 1x	充足（> 50%）	正常缩容或保持	服务健康，可进行常规运维
1x ≤ 燃烧率 < 2x	中等（20% - 50%）	谨慎缩容	需要关注，但暂不干预
2x ≤ 燃烧率 < 5x	较低（5% - 20%）	停止缩容，准备扩容	触发预警，评估是否需要扩容
燃烧率 ≥ 5x	危急（< 5%）	立即扩容	自动触发扩容，不惜代价保护 SLO

下图展示了基于 Error Budget 消耗速率的自动扩缩容决策流程：