3. 可靠性度量基础：SLI、SLO、SLI与评分模型的关系、常见SLI指标

在SRE实践中，没有度量就没有改进。可靠性评分模型的核心输入，正是来自对系统行为的持续、可量化的观测。本章将深入讲解支撑评分模型的三个基本概念：SLI（服务等级指标）、SLO（服务等级目标），以及它们如何与评分模型建立映射关系，并介绍最常见的几类SLI指标。

3.1 SLI：服务等级指标

SLI（Service Level Indicator）是对服务某个特定维度的量化测量。它回答的是“服务现在表现如何”的问题。SLI必须是一个可采集、可计算的数值，通常表示为一段时间内的比率或分布。

• 定义原则：SLI应直接反映用户体验，而非内部实现细节。
• 采集方式：通常通过服务端日志、客户端埋点、中间件指标或拨测探针获取。
• 聚合方式：常见聚合包括平均值、百分位数（如P99）、滑动窗口内的比率等。

3.2 SLO：服务等级目标

SLO（Service Level Objective）是为SLI设定的目标阈值或范围。它回答的是“服务应该表现得多好”的问题。SLO是团队与业务方达成的可靠性契约，也是值班台判断是否触发告警或降级的依据。

3.3 SLI与评分模型的关系

可靠性评分模型本质上是一个多维度加权聚合函数。SLI提供原始数据，SLO提供基准线，评分模型则将SLI相对于SLO的偏离程度映射为一个0-100的分数。

映射关系可以概括为以下步骤：

1. 采集：从监控系统获取各维度的实时SLI值。
2. 比较：将SLI值与对应的SLO阈值进行比较，计算“健康度”或“达标率”。
3. 映射：通过预定义的评分函数（如线性、阶梯或对数函数），将健康度转换为分数。
4. 聚合：按权重（如延迟权重0.4、错误率权重0.4、吞吐量权重0.2）加权求和，得到综合评分。

3.4 常见SLI指标详解

在值班台场景中，最核心的三类SLI指标是：延迟、错误率和吞吐量。它们从不同角度刻画了服务的健康状态。

3.4.1 延迟（Latency）

延迟衡量请求从发出到收到完整响应所花费的时间。延迟的微小增加往往会导致用户体验的显著下降。

• 常用百分位：P50（中位数）、P95、P99、P999。
• 采集方式：服务端请求处理时间、客户端感知时间。
• SLO示例：过去5分钟内，P99延迟 ≤ 500ms。

3.4.2 错误率（Error Rate）

错误率衡量请求处理失败的比率。通常以HTTP 5xx、超时、业务逻辑异常等作为错误判定标准。

• 计算方式：错误请求数 / 总请求数 × 100%。
• 注意：需区分客户端错误（4xx）与服务端错误（5xx），SLO通常只针对服务端错误。
• SLO示例：月度错误率 ≤ 0.1%。

3.4.3 吞吐量（Throughput）

吞吐量衡量系统在单位时间内处理的请求量或数据量。它反映了系统的容量和承载能力。

• 常用单位：QPS（每秒查询数）、RPS（每秒请求数）、TPS（每秒事务数）。
• 采集方式：服务端请求计数、消息队列消费速率。
• SLO示例：核心API的QPS ≥ 1000（在延迟SLO达标的前提下）。

3.5 指标选择与评分模型设计建议

在设计可靠性评分模型时，并非所有指标都需要纳入。建议遵循以下原则：

• 精简原则：选择3-5个最能反映用户体验的核心SLI，避免指标过多导致评分难以解读。
• 可操作性：每个SLI都应有明确的SLO和对应的改进措施。
• 权重分配：延迟和错误率通常权重较高（各占30%-40%），吞吐量权重相对较低（10%-20%），其余指标（如饱和度、可用性）根据业务特点分配剩余权重。