📚 课程目录第1章 SLO基础概念

1. SLO 基础概念

服务等级目标（Service Level Objective, SLO）是平台工程团队量化服务健康度的核心契约。它不是一个简单的“可用性百分比”，而是围绕用户真实体验定义的可测量、可问责的可靠性边界。理解 SLO 之前，必须先厘清 SLI、SLO 与错误预算三者的关系。

1.1 SLO 定义

SLO 是服务等级指标（SLI）的目标值或目标范围。它回答了这样一个问题：“在给定的时间窗口内，服务的关键行为必须好到什么程度？” 平台工程团队通常为每个关键用户旅程或基础设施能力定义 SLO。

目标值形式：例如“99.9% 的请求延迟 ≤ 200ms”。
时间窗口：通常为 28 天或 30 天滚动窗口，避免短期波动触发过度反应。
测量粒度：基于 SLI 的聚合结果，而非单次请求。

平台工程实践提示：SLO 不是“承诺”，而是“目标”。低于 SLO 不意味着立即处罚，而是触发错误预算消耗告警，指导团队优先投入可靠性工作。

1.2 SLI 与 SLO 的关系

SLI（Service Level Indicator）是原始测量指标，SLO 是这些指标的目标阈值。两者是“测量”与“标准”的关系。

维度	SLI（服务等级指标）	SLO（服务等级目标）
定义	对服务某个方面的量化测量	SLI 应达到的目标值或范围
示例	请求延迟 P99 = 180ms	P99 延迟 ≤ 200ms（30 天滚动窗口内 99.9% 时间满足）
粒度	原始时间序列数据点	聚合后的合规率
变更频率	随系统行为实时变化	相对稳定，按季度或版本评审
平台工程角色	由平台埋点、导出、标准化	由平台团队与业务方共同协商制定

  关键公式：SLO 合规率 = (SLI 符合目标的时间 / 总测量时间) × 100%。例如：30 天内每分钟测量一次，共 43200 个数据点，其中 43157 个点满足延迟 ≤ 200ms，则合规率为 99.9%。

1.3 错误预算概念

错误预算（Error Budget）是 SLO 的衍生管理工具，定义为 1 - SLO。它量化了服务在给定时间窗口内“允许失败”的总量。错误预算将可靠性从“目标”转化为“可消耗资源”，从而协调开发速度与稳定性。

计算公式：错误预算 = 总时间 × (1 - SLO)。例如 SLO = 99.9%，30 天总分钟数 43200，则错误预算 = 43200 × 0.001 = 43.2 分钟。
消耗机制：每次 SLI 未达标事件消耗错误预算。消耗速率反映服务稳定性趋势。
燃尽告警：当错误预算剩余低于 20% 或消耗速率异常时，触发告警，要求团队暂停新功能发布，优先修复可靠性。

常见误区：错误预算不是“故障配额”。它不鼓励故意消耗预算，而是提供客观依据，在“发布新功能”与“保持稳定”之间做数据驱动的权衡。平台工程团队应避免将错误预算用于问责或惩罚。

1.4 SLO 在平台工程中的价值

在平台工程场景中，SLO 超越了传统运维监控的范畴，成为平台团队与内部开发者之间的“服务等级契约”。其核心价值体现在以下四个维度：

价值维度	具体体现	平台工程示例
1. 对齐期望	平台团队与业务团队就“什么是足够好”达成一致	CI/CD 流水线 SLO：95% 的构建在 5 分钟内完成
2. 数据驱动决策	用错误预算指导发布节奏和可靠性投入	错误预算剩余 10% 时自动阻塞非关键变更
3. 消除“英雄主义”运维	避免基于直觉的“救火”模式，转向可预测的运营	基于 SLI 趋势自动扩缩容，而非人工盯屏
4. 持续改进闭环	SLO 未达标驱动根本原因分析与平台能力增强	存储 SLO 未达标 → 引入缓存层 → 重新评估 SLO

1.5 平台工程 SLO 的典型指标维度

平台工程团队通常从以下四个黄金信号（Google SRE 方法论）出发定义 SLI，进而制定 SLO：

延迟（Latency）：请求从发出到收到响应的时间。平台 API 网关、构建流水线、部署时间均适用。
流量（Traffic）：系统承载的请求量。例如每秒 API 调用数、每分钟流水线触发次数。
错误（Errors）：显式错误（HTTP 5xx）与隐式错误（返回成功但内容错误）。
饱和度（Saturation）：资源使用程度。例如 CPU 使用率、队列深度、连接池占用。

  平台工程 SLO 示例：

  • 开发者控制台 API：P99 延迟 ≤ 500ms，SLO 99.95%

  • CI 构建服务：90% 的构建在 5 分钟内完成，SLO 99.5%

  • 制品仓库下载：可用性 ≥ 99.99%，错误率 ≤ 0.01%

  • 基础设施预配：95% 的预配请求在 2 分钟内完成