1. SLO 基础概念：服务等级目标

服务等级目标（Service Level Objective，SLO）是可靠性工程中用于量化服务健康度的核心指标。它不是一个简单的阈值，而是围绕用户真实使用体验设计的、可测量的目标值。理解 SLO 需要先厘清它与 SLA、SLI 的关系，以及它在整个可靠性体系中的定位。

1.1 核心定义：SLO、SLI、SLA 三角关系

在可观测性与可靠性工程中，三个概念构成一个层层递进的体系：

术语	全称	定义	典型示例
SLI	Service Level Indicator	服务等级指标，是衡量服务质量某一维度的原始测量值	请求延迟 P99、错误率、吞吐量
SLO	Service Level Objective	服务等级目标，是对 SLI 设定的目标阈值或范围	P99 延迟 ≤ 200ms，每月 99.9% 的请求满足
SLA	Service Level Agreement	服务等级协议，是面向客户或业务方的合同承诺	月度可用性 ≥ 99.99%，否则赔付

1.2 SLO 在可靠性工程中的核心地位

SLO 不是简单的运维指标，而是连接技术决策与业务价值的桥梁。它在可靠性工程中扮演以下关键角色：

• 量化用户体验：将抽象的“系统稳定”转化为具体的延迟、错误率、可用性等可测量指标。
• 指导告警与响应：基于 SLO 燃烧速率（Burn Rate）设置告警，避免告警风暴，聚焦真正影响用户的事件。
• 驱动容量规划：通过 SLO 达成情况判断是否需要扩容或优化，而非仅凭资源利用率。
• 平衡可靠性与迭代速度：允许在 SLO 预算内进行风险操作，为快速迭代提供安全边界。
• 建立共同语言：让开发、运维、产品、业务团队围绕同一组目标协作。

1.3 SLO 的构成要素与定义模板

一个完整的 SLO 定义通常包含以下要素：

要素	说明	示例（采集作业平台）
SLI 名称	明确测量的指标维度	采集任务成功率
测量方式	如何采集和计算该指标	成功任务数 / 总任务数 × 100%
目标阈值	期望达到的具体数值	≥ 99.9%
时间窗口	统计周期（滚动窗口或日历窗口）	30 天滚动窗口
排除条件	哪些情况不计入 SLO 计算	计划内维护窗口、客户端网络故障

1.4 SLO 的常见类型与选择策略

在实际的采集作业平台中，常见的 SLO 类型包括：

• 可用性 SLO：服务在给定时间窗口内正常响应请求的比例。例如：采集接口月度可用性 ≥ 99.9%。
• 延迟 SLO：请求在指定百分位内的响应时间。例如：P99 采集请求延迟 ≤ 500ms。
• 准确性 SLO：数据采集或处理结果的正确率。例如：采集数据字段完整率 ≥ 99.99%。
• 吞吐量 SLO：单位时间内成功处理的数据量。例如：单节点采集吞吐量 ≥ 10,000 条/秒。

1.5 SLO 的燃烧速率概念

燃烧速率（Burn Rate）是 SLO 告警的核心机制，它衡量 SLO 预算消耗的速度：

燃烧速率 = 实际错误率 / 目标错误率

示例：
- SLO 目标：99.9%（错误预算 = 0.1%）
- 当前窗口实际错误率：1%
- 燃烧速率 = 1% / 0.1% = 10x

含义：按当前速率，错误预算将在 1/10 的时间窗口内耗尽

基于燃烧速率的告警策略可以避免传统固定阈值告警的缺陷，让告警更精准地反映 SLO 风险。