核心概念：什么是 Error Budget？SLO 与 SLI 的定义与计算方式

在分布式追踪与值班告警体系中，Error Budget（错误预算） 是连接“可靠性目标”与“日常运维动作”的量化桥梁。没有 Error Budget，SLO 只是一纸空文；有了 Error Budget，团队才能科学地决定“何时必须响应告警”与“何时可以放心发布”。

2.1 从 SLI 到 SLO：可靠性的度量阶梯

在定义 Error Budget 之前，必须先理解两个基础概念：SLI（Service Level Indicator，服务等级指标） 与 SLO（Service Level Objective，服务等级目标）。

2.2 SLI 的选取与计算方式

SLI 必须可测量、可对比、与用户体验强相关。在分布式追踪场景下，最常用的三类 SLI 如下：

• 可用性 SLI：成功请求数 ÷ 总请求数 × 100%。通常以 HTTP 状态码 2xx/4xx/5xx 为判断依据。
• 延迟 SLI：通常取 P50、P95、P99 分位值。例如“P99 延迟 ≤ 500ms”表示 99% 的请求在 500ms 内完成。
• 错误率 SLI：基于 Span 状态（OK / ERROR）计算。在分布式追踪中，一个 Trace 只要有一个 ERROR Span，即可计入错误。

# 可用性 SLI 计算示例（基于追踪数据）
total_spans = count(trace_span{service="payment"})
error_spans = count(trace_span{service="payment", status="ERROR"})
availability_sli = (total_spans - error_spans) / total_spans * 100

# 延迟 SLI 计算示例（P99）
p99_latency = histogram_quantile(0.99, 
  rate(trace_span_duration_seconds_bucket{service="payment"}[5m]))

2.3 SLO 的定义与窗口选择

SLO 不是拍脑袋定的数字，它需要结合业务容忍度与基础设施成本。常见的 SLO 定义方式包括：

2.4 Error Budget 的计算与消耗模型

Error Budget 的核心思想是：只要预算未耗尽，团队可以接受一定程度的故障或发布风险。其计算模型如下：

Error Budget = 总时间窗口 × (1 − SLO)

示例（30 天窗口，SLO = 99.9%）：
总时间 = 30 × 24 × 60 = 43,200 分钟
Error Budget = 43,200 × 0.001 = 43.2 分钟

当前消耗 = 窗口内累计不可用时间 / 总时间 × 100%
剩余预算 = Error Budget − 当前消耗

2.5 SLI → SLO → Error Budget 关系图

下图展示了从原始追踪数据到 Error Budget 的完整转化链路：

2.6 分布式追踪中的 Error Budget 特殊考量

在基于分布式追踪的告警体系中，Error Budget 的计算需要额外注意以下三点：

• Span 级 vs Trace 级：一个 Trace 包含多个 Span，错误可能发生在下游依赖。建议以 Trace 最终状态 作为 SLI 计算单元，避免“局部错误、全局成功”的误判。
• 采样偏差：分布式追踪通常只采样部分请求（如 1%）。Error Budget 计算必须基于采样率校正，否则会低估实际错误量。
• 依赖爆炸：一个请求可能经过 20+ 服务。Error Budget 应分层定义：全局 SLO（端到端）与 组件 SLO（单服务）分开管理。