📚 课程目录第1章 SLO基础概念

1. SLO 基础概念：定义 SLO、SLI、SLA，理解它们之间的关系与区别

在基于 Prometheus 进行性能调优与可靠性工程之前，必须准确理解三个核心术语：SLI（服务等级指标）、SLO（服务等级目标）和 SLA（服务等级协议）。它们是 SRE 方法论中定义、测量和承诺服务质量的基石。

术语	英文全称	定义	典型示例
SLI	Service Level Indicator	服务质量的量化指标，直接反映用户体验或系统健康度	请求延迟 P99、错误率、吞吐量
SLO	Service Level Objective	对 SLI 设定的目标阈值，是团队内部承诺的可靠性边界	P99 延迟 ≤ 200ms（过去 30 天 99.9% 的时间）
SLA	Service Level Agreement	与客户签订的正式合同，包含 SLO 及未达标时的惩罚条款	月度可用性 ≥ 99.99%，否则赔付 10% 月费

关键区分：SLI 是测量值，SLO 是目标值，SLA 是合同值。SLO 通常比 SLA 更严格，为团队预留“燃烧预算”以避免触发合同惩罚。

SLI、SLO、SLA 构成一个从测量到承诺的递进关系。下图展示了它们在 SRE 实践中的典型层级结构：

在 Prometheus 生态中，SLI 通常分为四大黄金信号类别。每个类别都有对应的指标采集模式：

黄金信号	SLI 示例	Prometheus 指标类型	典型查询表达式
延迟	请求响应时间 P99	Histogram / Summary	`histogram_quantile(0.99, rate(http_request_duration_seconds_bucket[5m]))`
流量	每秒请求数 (RPS)	Counter	`rate(http_requests_total[5m])`
错误	HTTP 5xx 错误率	Counter	`rate(http_requests_total{status=~"5.."}[5m]) / rate(http_requests_total[5m])`
饱和度	CPU 使用率 / 队列深度	Gauge	`rate(node_cpu_seconds_total{mode="idle"}[5m])` 或 `node_filesystem_avail_bytes`

  实践要点：定义 SLI 时，必须明确测量窗口（如 5 分钟速率）、聚合方式（如 P99 分位数）和有效事件（如排除健康检查请求）。Prometheus 的 rate() 和 histogram_quantile() 函数是计算 SLI 的核心工具。

假设我们有一个用户查询 API，可以定义如下 SLO：

常见误区：SLO 不是“平均值”。使用平均值（如平均延迟）会掩盖长尾问题。SRE 最佳实践要求使用分位数（P50、P95、P99）或最小值来定义 SLI，确保覆盖绝大多数用户体验。

错误预算 = 1 - SLO。例如，如果 SLO 是 99.9% 可用性，则错误预算为 0.1%（即 30 天内允许约 43.2 分钟的不可用时间）。错误预算用于平衡可靠性与发布速度：

Prometheus 结合 Alertmanager 可以实时监控错误预算消耗速率，并在预算接近阈值时触发告警。