📚 课程目录第4章 SLO指标定义

4. SLO 指标定义：SLI 选择与 SLO 目标设定

蓝绿发布门禁的核心决策依据是 服务等级目标（SLO）。在配置自动恢复策略之前，必须明确定义衡量服务质量的 服务等级指标（SLI），并为每个指标设定可量化的 SLO 目标。本章将详细阐述延迟、错误率、吞吐量三大核心 SLI 的选择依据，以及 99.9% 与 99.99% 两种典型 SLO 目标的适用场景与配置方法。

4.1 核心 SLI 选择：延迟、错误率、吞吐量

在蓝绿发布场景中，门禁系统需要实时对比蓝环境（稳定版本）与绿环境（新版本）的 SLI 数据。我们选择以下三个黄金指标作为违约检测的输入源：

SLI 名称	定义	测量方式	门禁检测意义
延迟（Latency）	请求从发出到收到完整响应的时间间隔	通常取 P50、P95、P99 分位数	绿环境延迟显著高于蓝环境时，触发回滚
错误率（Error Rate）	返回 HTTP 5xx 或业务错误码的请求占比	（错误请求数 / 总请求数）× 100%	绿环境错误率超过基线阈值时，阻断发布
吞吐量（Throughput）	单位时间内成功处理的请求数（RPS/QPS）	滑动窗口内请求计数 / 时间窗口长度	绿环境吞吐量异常下降，表明容量或性能问题

  实践建议： 门禁系统应同时监控三个 SLI，避免单一指标误判。例如，延迟升高可能是由于流量突增导致，而非代码缺陷；此时需结合吞吐量数据综合判断。

4.2 SLO 目标设定：99.9% 与 99.99%

SLO 目标决定了门禁的敏感度与发布速度之间的平衡。以下是两种常见目标的对比与选择策略：

SLO 等级	允许的不可用时间（月度）	适用场景	门禁配置特点
99.9%（三个九）	约 43.2 分钟	内部工具、非关键业务、开发测试环境	宽松阈值，允许小幅波动，快速通过
99.99%（四个九）	约 4.32 分钟	核心交易、支付链路、实时在线服务	严格阈值，任何异常立即阻断并触发恢复

关键原则： SLO 目标应基于业务重要性设定，而非技术能力。对于蓝绿发布门禁，建议为每个 SLI 分别设定独立的目标。例如：延迟 P99 ≤ 200ms（SLO 99.9%），错误率 ≤ 0.1%（SLO 99.9%），吞吐量不低于基线 90%（SLO 99.9%）。

4.3 SLI 到 SLO 的映射关系

下图展示了蓝绿发布门禁中，SLI 数据采集、SLO 目标比对、违约判定与自动恢复的完整链路：

4.4 违约检测阈值配置示例

以下是一个面向核心交易系统的 SLO 配置模板，可直接应用于蓝绿发布门禁的 Prometheus + Alertmanager 或自研检测引擎：

# 蓝绿发布门禁 SLO 配置示例 (YAML)
slo_config:
  latency:
    metric: "http_request_duration_seconds"
    percentile: 0.99
    target: 0.2  # 200ms
    slo_level: "99.9%"
    violation_window: "5m"
  error_rate:
    metric: "http_requests_total{status=~'5..'}"
    target: 0.001  # 0.1%
    slo_level: "99.9%"
    violation_window: "1m"
  throughput:
    metric: "rate(http_requests_total[1m])"
    baseline: "blue_env_avg_rps * 0.9"
    slo_level: "99.9%"
    violation_window: "2m"

避坑指南： 不要将 SLO 目标设定得过于激进（如 99.999%），这会导致门禁频繁误触发，降低发布效率。建议从 99.9% 起步，根据实际运行数据逐步收紧。同时，务必为每个 SLI 设置独立的违约检测窗口，避免短时毛刺导致不必要的回滚。

4.5 SLI 与 SLO 的持续校准

SLO 不是一成不变的。在蓝绿发布门禁上线后，应定期执行以下校准动作：

基线更新： 每次成功发布后，将绿环境的 SLI 数据作为新的蓝环境基线。
异常分析： 分析每次违约事件，判断是代码缺陷还是阈值过严，据此调整 SLO 目标。
业务对齐： 当业务需求变化（如大促期间），临时调整 SLO 等级，活动结束后恢复。