3. 多维SLI聚合原理：维度（服务、实例、地域、版本）的聚合策略与数学基础

3.1 为什么需要多维聚合？

单维度的SLI（如全局平均延迟）无法反映真实的服务质量分布。一个地域的网络故障、一个实例的内存泄漏、一个版本的代码缺陷，都可能被全局平均值掩盖。多维聚合的核心目标是将SLI按服务、实例、地域、版本等维度拆解，通过数学运算合并为可指导SLO调整的复合指标。

3.2 四大核心维度及其聚合策略

3.3 聚合策略的数学基础

多维聚合依赖三类核心数学运算：加权平均、分位数合并、最值聚合。以下分别阐述其原理与适用场景。

3.3.1 加权平均聚合（服务维度）

当需要将多个服务的SLI合并为全局指标时，按各服务的请求量占比进行加权平均，避免低流量服务干扰高流量服务的真实表现。

# 加权平均SLI公式
SLI_global = Σ( w_i * SLI_i ) / Σ( w_i )

# 示例：三个服务的P99延迟（ms）
services = {
    'order': {'latency': 120, 'weight': 10000},
    'payment': {'latency': 85, 'weight': 5000},
    'inventory': {'latency': 200, 'weight': 2000}
}
weighted_sum = sum(s['latency'] * s['weight'] for s in services.values())
total_weight = sum(s['weight'] for s in services.values())
SLI_global = weighted_sum / total_weight  # 结果: 115.3 ms

3.3.2 分位数合并（实例维度）

实例级SLI（如P99延迟）不能直接平均，因为分位数是非线性统计量。使用DDSketch或TDigest算法，在保持误差边界的前提下合并多个实例的分位数分布。

# DDSketch合并伪代码
class DDSketchMerger:
    def merge(self, sketches: list):
        merged = DDSketch(relative_accuracy=0.01)
        for sketch in sketches:
            for bin_key, count in sketch.bins.items():
                merged.add_value(bin_key, count)
        return merged.quantile(0.99)

3.3.3 最值聚合（地域维度）

对于可用性类SLI，采用最小值聚合（取所有地域中最差的值）作为全局指标，确保SLO覆盖最薄弱环节。

# 地域可用性聚合
region_availability = {
    'us-east-1': 99.95,
    'eu-west-1': 99.99,
    'ap-southeast-1': 99.80  # 最差
}
global_availability = min(region_availability.values())  # 99.80%

3.4 多维聚合的层级结构

实际生产环境中，维度之间存在层级关系。例如：服务 → 地域 → 实例 → 版本。聚合必须遵循层级顺序，先聚合底层维度，再逐层向上合并。

3.5 聚合策略选择矩阵

不同SLI类型和维度组合，需要选择不同的聚合策略。以下矩阵提供快速决策参考：

3.6 聚合误差与边界处理

多维聚合必然引入误差，需要明确以下边界条件：

• 数据稀疏性： 当某个维度组合的样本量小于30时，分位数合并的误差会显著增大，应回退到加权平均。
• 时间对齐： 不同维度的SLI采集周期可能不同（如实例级5秒，地域级60秒），聚合前需通过线性插值对齐时间戳。
• 异常值截断： 在加权平均前，对超过3σ的极端值进行截断或Winsorize处理，防止单个故障实例拉偏全局指标。

3.7 聚合结果输出与SLO映射

多维聚合的最终输出是一个复合SLI向量，包含每个维度组合的聚合值及其置信区间。该向量将作为下一章“SLO作业模板参数自动调整”的输入特征。

# 聚合结果示例（JSON格式）
{
  "global_sli": {
    "latency_p99": 115.3,
    "error_rate": 0.02,
    "availability": 99.80
  },
  "dimension_breakdown": {
    "service": {
      "order": {"latency_p99": 120, "weight": 10000},
      "payment": {"latency_p99": 85, "weight": 5000}
    },
    "region": {
      "us-east-1": {"availability": 99.95},
      "ap-southeast-1": {"availability": 99.80}
    },
    "version": {
      "v1.0": {"error_rate": 0.01},
      "v1.1": {"error_rate": 0.05}
    }
  },
  "aggregation_method": "weighted_avg + min + quantile_merge"
}

3.8 本章小结

• 四大维度（服务、实例、地域、版本）各有其最优聚合策略：加权平均、分位数合并、最值聚合、分桶对比。
• 数学基础包括加权平均公式、DDSketch分位数合并算法、最小值聚合逻辑。
• 层级结构要求先聚合底层维度（实例→地域→服务），再合并为全局SLO。
• 误差控制需关注数据稀疏性、时间对齐和异常值截断。