2. SLO 基础：服务等级目标定义、SLI 与 SLO 的关系、常见指标类型

在发布工程中，服务等级目标（SLO）是衡量服务是否“健康”的核心标尺。它不是一个抽象承诺，而是一个可量化、可验证的阈值，直接决定发布门禁是否放行。理解 SLO 的前提是掌握其底层数据来源——服务等级指标（SLI），以及两者之间的映射关系。

2.1 服务等级指标（SLI）与服务等级目标（SLO）

SLI 是对服务某个维度（如延迟、错误率）的原始测量值，通常是一个时间序列数据。例如：“过去 5 分钟 P99 延迟为 120ms”。SLO 则是基于 SLI 设定的目标阈值，表示服务在特定时间窗口内必须达到的可靠性水平。例如：“在 30 天滚动窗口内，P99 延迟 ≤ 200ms 的比例 ≥ 99.9%”。

两者的核心关系可以概括为：SLO = SLI + 目标阈值 + 时间窗口。没有 SLI，SLO 就是空谈；没有 SLO，SLI 就缺乏行动指引。

2.2 常见的 SLO 指标类型

在发布质量门禁中，最常用的 SLO 指标类型集中在以下三类。它们覆盖了用户可感知的服务质量核心维度：

2.3 指标选择与发布门禁的映射

并非所有 SLI 都适合直接作为发布门禁。选择门禁指标时，应遵循以下原则：

1. 用户可感知性： 优先选择直接影响终端用户体验的指标（如首页加载延迟、登录错误率）。
2. 可测量性： 指标必须能够被稳定、实时地采集，且数据质量可靠。
3. 可区分性： 指标应能区分“新版本引入的退化”与“基础设施或流量波动”。
4. 可操作性： 当门禁阻断时，团队应能快速定位根因并采取回滚或修复措施。

2.4 定义 SLO 的常见陷阱

• 指标粒度不匹配： 使用全局平均延迟作为 SLI，掩盖了部分慢请求对用户体验的影响。应优先使用百分位指标（P95 / P99）。
• 时间窗口过短： 仅使用 5 分钟窗口的 SLO 容易因瞬时抖动而误阻断发布。建议使用 30 天或 7 天滚动窗口。
• 阈值设置过于严格： 将 SLO 设为 99.999% 可能导致频繁误阻断，且运维成本极高。建议从 99.9% 开始，逐步收紧。
• 忽略业务维度： 所有接口使用同一个 SLO，导致关键支付接口与次要查询接口“同等待遇”。建议按业务重要性分级定义 SLO。

2.5 发布门禁中的 SLO 配置示例

以下是一个典型的发布质量门禁 SLO 配置片段，展示了如何在配置文件中定义门禁规则：

# 发布质量门禁 SLO 配置示例 (YAML)
release_gate:
  - name: "核心API延迟门禁"
    sli_type: "latency_p99"
    threshold_ms: 500
    compliance_target: 99.5          # 达标率 ≥ 99.5%
    window: "30d"                    # 30天滚动窗口
    action: "block"                  # 阻断发布

  - name: "错误率门禁"
    sli_type: "error_rate_5xx"
    threshold_percent: 0.1
    compliance_target: 99.9
    window: "7d"
    action: "block"

  - name: "吞吐量退化告警"
    sli_type: "throughput_rps"
    threshold_percent_of_baseline: 95  # 不低于基线95%
    compliance_target: 99.0
    window: "1h"
    action: "warn"                   # 仅告警，不阻断