3. SLO与SLA基础：定义SLO、SLI、SLA，以及它们在节点故障场景下的关键指标
在Kubernetes节点故障场景下，SLO（Service Level Objective）作业模板迁移方案的核心是量化服务可用性。理解SLO、SLI、SLA三者的定义及其在节点故障时的关键指标，是制定有效迁移策略的前提。
3.1 核心概念定义
| 术语 | 全称 | 定义 | 节点故障场景下的角色 |
|---|---|---|---|
| SLI | Service Level Indicator | 服务等级指标，是衡量服务质量的具体量化指标，如请求延迟、错误率、吞吐量。 | 直接反映节点故障对服务的影响程度，例如Pod重启后的恢复时间、请求失败率。 |
| SLO | Service Level Objective | 服务等级目标，是SLI的目标阈值，例如“99.9%的请求延迟小于200ms”。 | 定义节点故障时可接受的降级范围，例如“节点故障后，5分钟内完成Pod迁移并恢复SLO”。 |
| SLA | Service Level Agreement | 服务等级协议，是SLO对外承诺的合同化版本，通常包含惩罚条款。 | 节点故障导致的SLO违约可能触发SLA赔偿，因此迁移方案需确保SLA合规。 |
关键认知： SLO是内部目标，SLA是外部承诺。节点故障时，迁移方案的首要目标是守住SLO，避免触发SLA惩罚。
3.2 节点故障场景下的关键SLI指标
在Kubernetes节点故障时，以下SLI指标直接决定SLO是否被打破：
- Pod恢复时间（Recovery Time）： 从节点故障发生到Pod在健康节点上重新达到Ready状态的时间。
- 请求错误率（Error Rate）： 节点故障期间，因Pod不可用导致的HTTP 5xx或gRPC错误占比。
- 服务中断时长（Downtime Duration）： 服务完全不可用的累计时间窗口。
- 数据一致性延迟（Consistency Lag）： 有状态服务在迁移后，数据同步到最新状态的延迟。
- 迁移成功率（Migration Success Rate）： 节点故障后，成功完成Pod迁移的比例。
3.3 SLO定义示例：节点故障迁移场景
以下是一个典型的SLO定义，用于指导作业模板迁移方案的设计：
SLO名称：节点故障Pod迁移SLO
目标值：
- 99.9% 的Pod在节点故障后 5 分钟内完成迁移并恢复服务
- 迁移期间请求错误率 < 0.1%
- 每月节点故障导致的总中断时间 < 10 分钟
测量窗口：滚动30天
排除条件：计划内维护、节点所在可用区完全故障3.4 SLO与SLA在迁移方案中的关系
下图展示了从SLI采集到SLA承诺的完整链路，以及节点故障时的关键控制点：
3.5 节点故障场景下的SLO关键阈值
根据行业最佳实践，以下阈值可作为作业模板迁移方案的SLO基准：
| 指标类别 | SLI | 推荐SLO阈值 | 节点故障影响 |
|---|---|---|---|
| 可用性 | 服务可用时间占比 | ≥ 99.95%（月度） | 节点故障导致可用性下降 |
| 恢复速度 | Pod迁移完成时间 | P99 ≤ 5分钟 | 节点故障后恢复延迟 |
| 错误率 | 请求错误率 | ≤ 0.1%（迁移期间） | 节点故障导致请求失败 |
| 数据持久性 | 有状态服务数据丢失率 | 0%（不可丢失） | 节点故障可能导致数据损坏 |
注意： 节点故障场景下的SLO阈值应比正常运行时更宽松，因为故障恢复本身需要时间。例如，正常SLO要求99.99%可用性，节点故障时可放宽至99.9%，但需在SLA中明确故障排除条款。
3.6 迁移方案中的SLO监控与告警
在作业模板迁移方案中，必须建立以下监控机制：
- 实时SLI仪表盘： 展示当前节点故障影响范围、Pod迁移进度、错误率趋势。
- SLO燃烧率告警： 当SLO剩余预算消耗速度超过阈值时触发告警，例如“过去1小时内错误率已达月度SLO预算的10%”。
- 迁移SLO专项看板： 针对每次节点故障事件，记录迁移完成时间、是否符合SLO、是否触发SLA。
通过上述定义与指标，SLO/SLI/SLA为Kubernetes节点故障时的作业模板迁移提供了可量化的决策依据，确保迁移方案既能快速恢复服务，又能满足业务承诺。