2. SLO 基础概念：服务等级目标定义、SLI 与 SLO 的区别、错误预算概念

在平台工程中，SLO（Service Level Objective，服务等级目标）是连接用户期望与系统行为的核心契约。理解 SLO 之前，必须先厘清 SLI（Service Level Indicator，服务等级指标）与 SLO 的关系，并掌握错误预算（Error Budget）这一关键管理工具。本节将逐一拆解这三个概念，并展示它们如何在变更失败率归因中发挥作用。

2.1 服务等级指标（SLI）

SLI 是对服务某个特定维度的直接量化测量。它回答的是“服务现在表现如何”的问题。常见的 SLI 包括：

• 延迟（Latency）：请求响应时间，如 p99 延迟 < 200ms。
• 可用性（Availability）：成功请求占总请求的比例，如 99.9%。
• 吞吐量（Throughput）：单位时间处理的请求数，如 1000 req/s。
• 错误率（Error Rate）：返回错误状态码的请求比例，如 < 0.1%。
• 饱和度（Saturation）：资源使用程度，如 CPU 使用率 < 80%。

2.2 服务等级目标（SLO）

SLO 是为 SLI 设定的目标阈值，它回答的是“服务应该表现到什么程度”。SLO 是一个明确的、可量化的承诺，通常以时间窗口内的达标率表示。

SLO 的典型表达形式：

• “在 30 天滚动窗口内，99.9% 的请求延迟低于 200ms。”
• “在 28 天内，可用性不低于 99.95%。”
• “在 7 天内，变更导致的错误率不超过 0.5%。”

2.3 SLI 与 SLO 的对比

2.4 错误预算（Error Budget）

错误预算 = 100% - SLO。它代表在 SLO 允许的范围内，服务可以“犯错”的总时间或总请求量。错误预算将可靠性从目标转化为可消耗的资源。

错误预算的计算示例：

• 如果 SLO 是 99.9%（30 天窗口），则错误预算 = 0.1%。
• 30 天总分钟数 = 43200 分钟。
• 允许的不可用时间 = 43200 × 0.1% = 43.2 分钟。
• 如果本月已发生 30 分钟故障，则剩余错误预算 = 13.2 分钟。

2.5 三者的关系与流程

下图展示了 SLI、SLO 与错误预算在变更失败率归因中的协作关系：

2.6 错误预算在变更管理中的实际应用

错误预算不仅是可靠性指标，更是变更节奏的调节器。下表展示了不同错误预算状态下的变更策略：

2.7 变更失败率归因中的 SLO 应用示例

假设一个平台服务的 SLO 为“99.9% 可用性（30 天窗口）”，错误预算为 43.2 分钟。某次变更后，可用性下降至 99.5%，持续 10 分钟：

1. SLI 测量：可用性从 99.95% 降至 99.5%。
2. SLO 对比：99.5% < 99.9%，超出 SLO 阈值。
3. 错误预算消耗：10 分钟不可用时间，消耗了 10 / 43.2 ≈ 23% 的错误预算。
4. 归因结论：该变更为“失败变更”，消耗了显著的错误预算，需要回滚并分析根因。