SLI指标波动触发SLO作业模板自动降级方案 - 第1节
1.1 SRE 核心原则：从“救火”到“工程化”的转变
站点可靠性工程（SRE）由 Google 提出，核心思想是用软件工程的思维解决运维问题。与传统运维依赖人工“救火”不同，SRE 强调通过自动化、量化指标和风险预算来管理生产环境。
1.1.1 SRE 的四大核心原则
| 原则 | 核心描述 | 对可观测性的影响 |
|---|---|---|
| 拥抱风险 | 系统 100% 可用既不现实也不经济；通过错误预算（Error Budget）量化可接受的风险。 | 需要精确的 SLI 来度量错误率，从而计算错误预算消耗。 |
| 服务等级目标（SLO） | 定义用户满意的可靠性阈值，如“99.9% 的请求延迟 < 200ms”。 | SLO 是可观测性仪表盘的核心基准线，触发告警和自动决策。 |
| 减少琐事（Toil） | 通过自动化消除重复、手动、无长期价值的运维操作。 | 自动化降级、自愈、扩缩容等操作依赖可观测性数据的实时反馈。 |
| 自动化 | 用代码和工具替代人工操作，实现“无人值守”运维。 | 可观测性平台是自动化的“眼睛”，提供决策输入和效果验证。 |
关键认知： SRE 不是“不出故障”，而是“在可接受的故障率下，最快地恢复服务并自动化处理流程”。错误预算（Error Budget） = 1 - SLO，当预算耗尽时，应停止发布新功能，优先提升可靠性。
1.2 SLI / SLO / SLA：可靠性量化的“黄金三角”
这三个概念是 SRE 可观测性的基石，它们层层递进，将模糊的“系统稳定”转化为可度量、可管理的数字。
1.2.1 定义与关系
- SLI（服务等级指标）：直接衡量服务质量的原始指标。例如：请求延迟、错误率、吞吐量、饱和度。
- SLO（服务等级目标）：基于 SLI 设定的目标阈值。例如：“过去 30 天内，99.9% 的请求延迟低于 200ms”。
- SLA（服务等级协议）：对外承诺的合同条款，通常比 SLO 更宽松，包含惩罚条款。
核心公式： 错误预算 = 1 - SLO。例如：SLO 为 99.9%，则每月允许的不可用时间为 0.1% × 30天 × 24小时 × 60分钟 = 43.2 分钟。
1.2.2 典型 SLI 指标分类
| 类别 | 常用 SLI | 测量方式 |
|---|---|---|
| 延迟 | P50 / P95 / P99 响应时间 | 从请求到达至返回完整响应的时间 |
| 错误率 | HTTP 5xx 比例 / 业务错误码比例 | 错误请求数 / 总请求数 |
| 吞吐量 | QPS（每秒查询数） / TPS（每秒事务数） | 单位时间成功处理的请求数 |
| 饱和度 | CPU 使用率 / 内存使用率 / 连接池占用率 | 当前使用量 / 最大容量 |
1.3 可观测性三大支柱：指标、日志、链路
可观测性（Observability）是 SRE 的“感官系统”。三大支柱分别从不同维度描述系统状态，缺一不可。
1.3.1 三大支柱对比
| 支柱 | 数据形态 | 典型用途 | SRE 场景示例 |
|---|---|---|---|
| 指标（Metrics） | 数值型时间序列 | 趋势监控、告警、容量规划 | CPU 使用率突增触发告警 |
| 日志（Logs） | 非结构化/半结构化文本 | 故障根因分析、审计、调试 | 查询 500 错误日志中的具体堆栈 |
| 链路（Traces） | 分布式请求上下文 | 端到端延迟分析、依赖关系发现 | 定位跨微服务调用中的慢节点 |
1.3.2 三大支柱的协同工作流
在实际 SRE 场景中，三大支柱并非孤立使用，而是形成“告警 → 定位 → 分析”的闭环：
- 指标告警：SLI 指标（如 P99 延迟）突破 SLO 阈值，触发告警。
- 日志定位：SRE 查看告警时间窗口内的错误日志，找到具体异常请求。
- 链路分析：通过 Trace ID 追踪该请求的完整调用链，定位到故障微服务。
常见误区： 只关注指标而忽略日志和链路，会导致“知道系统出问题了，但不知道哪里出问题”。三大支柱必须打通，才能实现真正的可观测性。
1.4 本章小结：SRE 可观测性基础与课程定位
本章建立了 SRE 可观测性的核心知识框架：
- SRE 核心原则：拥抱风险、SLO 驱动、减少琐事、自动化。
- SLI/SLO/SLA：从原始指标到内部目标再到对外承诺的量化体系，错误预算是自动决策的“货币”。
- 可观测性三大支柱：指标（趋势与告警）、日志（根因分析）、链路（依赖与延迟），三者协同形成完整观测视图。