3. SLO基础：SLI、SLO与错误预算的定义与关系

在SRE与平台工程实践中，服务水平目标（SLO）是连接用户感知与运维决策的核心锚点。要理解SLO，必须先厘清其上下游的两个关键概念：服务水平指标（SLI）和错误预算（Error Budget）。三者构成一个闭环反馈系统，驱动着自助服务平台的稳定性设计。

3.1 服务水平指标（SLI）

SLI 是对服务某个特定维度的量化测量，通常表示为一段时间内的良好事件占比。SLI 是 SLO 的原始数据来源，必须可观测、可采集、可计算。

3.1.1 常见 SLI 类型

3.2 服务水平目标（SLO）

SLO 是为 SLI 设定的目标阈值，代表服务所有者承诺在一段较长时间（通常为 28 天或 30 天）内，SLI 必须达到的最低水平。SLO 是团队与用户之间的隐性契约。

3.2.1 SLO 的典型表达

# 示例：API 服务的 SLO 定义
SLI: 请求延迟 P99 ≤ 200ms
SLO: 在 30 天滚动窗口内，99.9% 的请求满足上述 SLI

# 解读：30 天内，最多允许 0.1% 的请求延迟超过 200ms

3.2.2 SLO 的常见级别

• 99.9%（三个九）：适用于内部工具、非关键业务服务。
• 99.95%（三个九半）：适用于大多数面向用户的生产服务。
• 99.99%（四个九）：适用于核心支付、实时通信等关键链路。
• 99.999%（五个九）：通常仅用于电信级或金融核心系统，成本极高。

3.3 错误预算（Error Budget）

错误预算 是 SLO 的衍生概念，定义为 1 - SLO。它表示在 SLO 时间窗口内，服务允许失败的总时间或总请求量。错误预算将稳定性从“可靠”转变为“可量化风险”。

3.3.1 错误预算的计算

# 假设 SLO = 99.9%，时间窗口 = 30 天
总时间 = 30 天 × 24 小时 × 60 分钟 × 60 秒 = 2,592,000 秒
错误预算 = 总时间 × (1 - 0.999) = 2,592,000 × 0.001 = 2,592 秒 ≈ 43.2 分钟

# 含义：30 天内，服务最多可以不可用 43.2 分钟。

3.4 SLI、SLO 与错误预算的关系

三者构成一个闭环驱动模型：

1. SLI 是测量基础：没有准确的 SLI，SLO 就是空中楼阁。
2. SLO 是目标边界：将 SLI 数据与目标对比，判断服务是否达标。
3. 错误预算是决策燃料：剩余错误预算的多少，直接决定团队能否进行风险操作（如上线新功能、变更配置）。

3.5 三者在自助服务平台中的实践映射

在平台工程场景下，SLI、SLO 和错误预算需要被产品化，嵌入到开发者的自助服务流程中：

3.6 关键原则与避坑指南

• SLI 要少而精：每个服务选择最能反映用户体验的 1~2 个核心 SLI，避免指标爆炸。
• SLO 要可达成：初始 SLO 建议基于历史数据设定，留出 10%~20% 的余量。
• 错误预算要可视化：在平台仪表盘上实时展示预算消耗进度，让团队对风险一目了然。
• 不要用 SLO 做绩效考核：SLO 是决策工具，不是惩罚工具。用 SLO 考核会导致团队设置过于保守的目标。