2. SLO 基础概念：SLI、SLO 与错误预算

在平台工程中，服务水平目标（SLO）是连接用户期望与基础设施运维的量化桥梁。要正确构建 SLO，必须先理解其三大核心支柱：服务水平指标（SLI）、服务水平目标（SLO）与错误预算（Error Budget）。这三者构成了一个闭环的可靠性管理模型。

2.1 核心定义与关系总览

下图展示了 SLI、SLO 与错误预算之间的核心逻辑关系：SLI 是原始测量数据，SLO 是目标阈值，错误预算则是两者之间的差值，用于驱动运维决策。

2.2 服务水平指标（SLI）

SLI 是对服务某个特定维度的量化测量。它是 SLO 的原始数据来源，通常以一段时间内的比率或计数形式呈现。

2.2.1 常见的 SLI 类型

2.2.2 SLI 定义示例

在平台工程中，一个典型的 SLI 定义包含测量窗口、聚合方式和计数条件：

# 平台 API 可用性 SLI 定义
sli_name: "platform_api_availability"
measurement_window: "28_days"
good_events: "http_status < 500"
total_events: "total_http_requests"
aggregation: "ratio(good_events / total_events)"

2.3 服务水平目标（SLO）

SLO 是为 SLI 设定的目标阈值。它定义了在特定时间窗口内，服务需要达到的可靠性水平。SLO 是团队与用户之间的内部契约。

2.3.1 SLO 的构成要素

• 目标 SLI：选择哪个指标作为衡量标准。
• 目标值：SLI 需要达到的百分比（如 99.9%）。
• 时间窗口：评估周期（如 28 天、30 天、季度）。
• 合规条件：如何判定 SLO 是否达成（如“在时间窗口内，SLI 必须 ≥ 目标值”）。

2.3.2 SLO 分级策略

2.4 错误预算（Error Budget）

错误预算是 SLO 的衍生概念，定义为 1 - SLO。它量化了服务在特定时间窗口内可以失败的总时间或总请求数。错误预算将可靠性转化为可管理的“预算”，用于平衡稳定性与创新速度。

2.4.1 错误预算计算示例

假设一个平台 API 的 SLO 为 99.9%（时间窗口为 30 天）：

总时间窗口 = 30 天 × 24 小时 × 60 分钟 × 60 秒 = 2,592,000 秒
允许的不可用时间 = 2,592,000 秒 × (1 - 0.999) = 2,592 秒 ≈ 43.2 分钟

这意味着该 API 在 30 天内最多只能有 43.2 分钟的不符合 SLI 的时间。一旦超出，错误预算耗尽。

2.4.2 错误预算的运维决策

2.5 三者的闭环关系

SLI、SLO 与错误预算共同构成了一个持续改进的闭环：

1. 测量（SLI）：持续收集服务的真实表现数据。
2. 评估（SLO）：将 SLI 与预设的目标阈值进行对比。
3. 计算（错误预算）：根据对比结果计算剩余的错误预算。
4. 决策（运维动作）：基于错误预算状态，决定是否发布新功能或投入可靠性改进。
5. 调整（反馈）：根据实际运行效果，调整 SLO 目标值或 SLI 定义。