3. SLO 基础概念：SLO、SLI、SLA 与错误预算
在平台工程中，SLO（服务等级目标）是连接用户期望与工程执行的核心契约。要理解 SLO，必须先厘清 SLI（服务等级指标）和 SLA（服务等级协议）的定义，并掌握错误预算这一关键管理工具。本节将系统梳理三者的关系，并展示如何通过错误预算驱动部署频率与可靠性决策。
3.1 核心定义与对比
| 术语 | 英文全称 | 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具体量化指标。 | 请求延迟 P99 ≤ 200ms；可用性 = 成功请求数 / 总请求数 |
| SLO | Service Level Objective | 服务等级目标，是团队承诺达到的 SLI 目标值或范围。 | 月度可用性 ≥ 99.9%；P99 延迟 ≤ 200ms 的请求占比 ≥ 95% |
| SLA | Service Level Agreement | 服务等级协议，是面向用户或客户的正式合同，包含未达 SLO 的惩罚条款。 | 可用性 < 99.9% 时，退还当月 10% 服务费 |
关键区别： SLI 是测量值，SLO 是目标值，SLA 是合同承诺。平台工程团队通常只对内承诺 SLO，对外 SLA 由业务/法务团队定义。
3.2 三者的层级关系
SLI、SLO、SLA 构成一个从测量到承诺的递进关系。下图展示了这一层级结构：
3.3 错误预算概念
错误预算（Error Budget）是 SLO 的衍生管理工具，它将可靠性目标转化为可量化的“失败额度”。其核心公式为：
错误预算 = 1 - SLO（以百分比表示）
例如：SLO = 99.9% → 错误预算 = 0.1% 的时间窗口错误预算的消耗与剩余状态直接决定团队能否进行变更部署：
- 预算充足（剩余 > 0）： 允许正常部署，鼓励快速迭代。
- 预算耗尽（剩余 ≤ 0）： 冻结所有非关键变更，优先投入稳定性修复。
- 预算消耗速率： 监控 SLI 的实时偏差，预测预算耗尽时间。
实践建议： 平台工程团队应将错误预算可视化到 CI/CD 流水线中。当部署触发时，流水线自动检查当前错误预算状态，若预算不足则阻断部署并提示原因。
3.4 错误预算与部署频率的联动
错误预算为部署频率提供了客观的“安全边界”。下图展示了基于错误预算的部署决策流程：
3.5 常见误区与避坑指南
常见误区：
- SLO 设置过高： 追求 99.999% 可用性但无对应投入，导致错误预算几乎为零，部署频繁冻结。
- SLI 选择不当： 只监控服务端可用性，忽略客户端真实体验（如首屏加载时间）。
- 错误预算不透明： 仅 SRE 团队可见，开发团队无法感知预算消耗，导致部署决策混乱。
3.6 平台工程中的落地要点
| 实践维度 | 具体措施 |
|---|---|
| SLI 采集 | 在平台侧统一接入 Prometheus/OpenTelemetry，定义标准 SLI 采集规则（延迟、错误率、饱和度）。 |
| SLO 定义 | 使用 ServiceLevelObjective CRD（如 Google SLO 或 Sloth）声明式定义 SLO，与 GitOps 流水线集成。 |
| 错误预算可视化 | 在开发者门户（如 Backstage）中嵌入错误预算仪表盘，实时展示预算消耗速率与剩余时间。 |
| 部署门禁 | 在 CI/CD 流水线中增加错误预算检查步骤，预算不足时自动阻断并通知相关责任人。 |
核心原则： SLO 不是限制创新的枷锁，而是为部署频率提供安全边界的导航仪。错误预算让团队在“快速交付”与“稳定运行”之间做出数据驱动的权衡。