1. SLO 基础概念：什么是 SLO、SLI、SLA
在开始配置跨环境参数之前，必须建立对 SLO 体系的基础认知。SLO、SLI、SLA 是站点可靠性工程（SRE）中三个紧密关联但截然不同的概念，它们共同构成了服务质量的度量与承诺框架。
1.1 核心定义
| 术语 | 全称 | 核心定义 | 典型示例 |
|---|---|---|---|
| SLI | Service Level Indicator 服务等级指标 |
对服务质量的某个维度进行实际测量的量化指标 | 请求延迟 P99 = 200ms |
| SLO | Service Level Objective 服务等级目标 |
对 SLI 设定的目标阈值或范围，是团队内部追求的质量目标 | 99.9% 的请求延迟 ≤ 200ms |
| SLA | Service Level Agreement 服务等级协议 |
服务提供方与用户之间的正式合同，包含未达标的惩罚条款 | 月度可用性 ≥ 99.95%，否则赔偿 10% 月费 |
关键记忆点：SLI 是测量值，SLO 是目标值，SLA 是合同值。SLO 通常比 SLA 更严格，为 SLA 提供缓冲。
1.2 三者关系与区别
三者的关系可以用一个递进漏斗来理解：从原始测量到内部目标，再到对外承诺。
1.3 典型 SLI 分类
SLI 通常从以下四个维度进行定义，每个维度对应不同的测量方法：
- 可用性（Availability）：服务正常响应请求的时间比例。常用公式：
成功请求数 / 总请求数 × 100% - 延迟（Latency）：请求从发出到收到响应的时间。常用分位数：P50、P95、P99
- 吞吐量（Throughput）：单位时间内处理的请求数量。常用单位：RPS（Requests Per Second）
- 错误率（Error Rate）：返回错误响应的请求比例。常用公式：
HTTP 5xx 数 / 总请求数 × 100%
实践建议：在定义 SLI 时，优先选择用户可感知的指标。例如，对于 Web 服务，首字节时间（TTFB）比服务器 CPU 使用率更适合作为 SLI。
1.4 SLO 与 SLA 的典型数值对比
| 服务类型 | 典型 SLO | 典型 SLA | 每月允许不可用时间（基于 SLO） |
|---|---|---|---|
| 核心数据库 | 99.99% | 99.95% | 4.32 分钟 |
| API 网关 | 99.95% | 99.9% | 21.6 分钟 |
| Web 前端 | 99.9% | 99.5% | 43.2 分钟 |
| 内部工具 | 99.5% | 99.0% | 3.6 小时 |
常见误区：不要将 SLO 直接等同于 SLA。SLO 是团队内部追求的目标，通常比 SLA 更严格，为 SLA 提供 1-2 个 9 的缓冲空间。如果 SLO 与 SLA 相同，则任何 SLO 违规都会直接触发 SLA 赔偿。