2. SLI 指标深度解析：定义、类型与采集计算
SLI（Service Level Indicator，服务等级指标）是 SLO 体系的基石。没有准确、可量化的 SLI，SLO 就失去了衡量依据，自动降级更是无从谈起。本节将深入剖析 SLI 的定义方法、四大核心类型以及从采集到聚合计算的完整链路。
2.1 SLI 定义方法：从用户视角出发
定义 SLI 的核心原则是以用户为中心。指标必须反映用户实际感知的服务质量，而非内部技术细节。通常采用以下四步法：
- 确定用户关键行为：识别用户最常执行且对业务价值影响最大的操作（如登录、搜索、下单、播放视频）。
- 划定服务边界：明确指标覆盖的范围，是客户端到端（E2E）、API 网关层，还是后端服务层。
- 选择可测量属性：从延迟、错误、吞吐量、饱和度四个维度中选择最能反映该行为健康度的属性。
- 定义良好事件：明确什么算一次“成功”或“有效”的请求，排除爬虫、健康检查、预加载等非用户流量。
2.2 四大核心 SLI 类型
业界公认的四大黄金信号（Golden Signals）构成了 SLI 的主体框架。下表对比了各类型的关注点、典型指标与采集方式：
| SLI 类型 | 关注点 | 典型指标 | 采集方式 |
|---|---|---|---|
| 延迟 | 服务响应速度 | P50 / P95 / P99 延迟（ms） | 请求耗时埋点、APM 探针 |
| 错误率 | 请求失败比例 | HTTP 5xx 率、超时率、业务错误码率 | 响应状态码统计、日志解析 |
| 吞吐量 | 系统处理能力 | RPS（每秒请求数）、QPS（每秒查询数）、TPS（每秒事务数） | 负载均衡器指标、服务端计数器 |
| 饱和度 | 资源耗尽程度 | CPU 使用率、内存使用率、连接池占用率、磁盘 I/O 等待 | 系统监控 Agent、中间件暴露指标 |
2.2.1 延迟（Latency）
延迟是用户体验最直接的体现。通常使用百分位数而非平均值来衡量，因为平均值会掩盖长尾请求。例如，P99 延迟为 200ms 意味着 99% 的请求在 200ms 内完成，而 1% 的慢请求可能正是用户流失的关键。
2.2.2 错误率（Error Rate）
错误率不仅包括 HTTP 5xx 服务端错误，还应涵盖业务逻辑错误（如“库存不足”、“余额不足”返回的 4xx 状态码）。定义 SLI 时需明确哪些错误码计入“失败”事件。
2.2.3 吞吐量（Throughput）
吞吐量反映系统的负载水平。当吞吐量接近系统上限时，延迟和错误率往往会急剧恶化。吞吐量 SLI 通常与容量规划、自动扩缩容策略联动。
2.2.4 饱和度（Saturation）
饱和度是预测性指标，用于提前发现瓶颈。例如，数据库连接池使用率达到 80% 时，即使当前延迟正常，也应触发预警。饱和度 SLI 是自动降级决策的重要前置信号。
2.3 SLI 采集与计算
SLI 的采集与计算链路通常分为三个环节：数据采集 → 指标聚合 → 窗口计算。
2.3.1 数据采集方式
- 埋点/探针：在应用代码中插入 SDK（如 OpenTelemetry），采集请求开始/结束时间、状态码、自定义业务标签。
- 日志解析：从结构化日志（JSON 格式）中提取延迟、错误码等字段，通过 Logstash/Fluentd 等工具汇聚。
- 指标暴露：服务通过 Prometheus 客户端库暴露 /metrics 端点，或通过 StatsD 协议推送指标。
- 基础设施 Agent：Node Exporter、cAdvisor 等采集 CPU、内存、磁盘等系统级饱和度指标。
2.3.2 指标聚合与计算
原始数据需要经过聚合才能形成有意义的 SLI。以下是典型的计算逻辑示例：
# 示例：计算过去 5 分钟的错误率 SLI
# 假设指标：requests_total{status="200|500|..."} 和 errors_total{status="500|timeout"}
# PromQL 查询
rate(errors_total[5m]) / rate(requests_total[5m]) * 100
# 输出：过去 5 分钟的平均错误率百分比对于延迟 SLI，通常使用直方图（Histogram）数据结构，在采集端预先分桶（Bucket），服务端计算百分位数：
# 示例：计算 P99 延迟
# 假设指标：http_request_duration_seconds_bucket{le="0.1|0.5|1|2|5|+Inf"}
# PromQL 查询
histogram_quantile(0.99, sum(rate(http_request_duration_seconds_bucket[5m])) by (le))
# 输出：过去 5 分钟内请求延迟的 P99 值（单位：秒）2.3.3 窗口与滚动周期
SLI 计算需要定义时间窗口。常见窗口策略包括：
- 固定窗口：如每分钟、每 5 分钟计算一次，简单但边界效应明显。
- 滚动窗口：如过去 5 分钟、过去 1 小时，平滑度更好，是 SLO 计算的主流方式。
- 指数加权移动平均（EWMA）：对近期数据赋予更高权重，适合快速检测异常波动。
- 忽略采样偏差：仅对部分请求采样会导致 SLI 失真，尤其对低概率的高延迟事件。
- 时间戳对齐问题：跨服务调用时，各系统时钟不同步会导致延迟计算出现负值或异常大值。
- 聚合粒度丢失：在计算 P99 时，如果直方图桶（Bucket）划分过粗，会导致百分位数精度下降。
2.4 SLI 采集与计算架构图
下图展示了从用户请求到 SLI 指标输出的完整数据流，涵盖采集、聚合、存储与查询四个阶段：
2.5 SLI 定义与计算决策树
在实际工作中，定义 SLI 时经常面临多种选择。下面的决策树可以帮助团队快速确定合适的 SLI 类型与计算方式：
2.6 小结：SLI 定义清单
在进入下一章 SLO 配置之前，请确保每个 SLI 都经过以下检查：
- 用户视角：指标是否直接反映用户可感知的服务质量？
- 可测量：是否有成熟的采集手段，且采集成本在可接受范围内？
- 可区分：良好事件与不良事件的定义是否清晰无歧义？
- 可聚合：指标是否支持按时间窗口、标签维度进行灵活聚合计算？
- 可预警：SLI 的波动是否能够及时触发后续的 SLO 评估与降级动作？