1. Error Budget 基础概念

Error Budget（错误预算）是站点可靠性工程（SRE）中连接系统稳定性与业务迭代速度的核心量化工具。它不是一个抽象概念，而是一个可计算、可监控、可决策的数值指标，直接决定了团队在给定时间窗口内能承受多大的“不可靠性”。

1.1 什么是 Error Budget

Error Budget 的定义可以浓缩为一句话：在 SLO 允许的范围内，系统可以发生故障的“额度”。

• 本质：它是 SLO 与 100% 之间的差值所对应的可容忍错误量。
• 单位：通常用错误次数、错误时间或错误请求占比来表示。
• 作用：当 Error Budget 充足时，团队可以放心发布新功能；当 Error Budget 耗尽时，必须暂停发布，优先恢复稳定性。

1.2 SLO 与 SLI 的关系

要理解 Error Budget，必须先厘清两个基础概念：SLI（Service Level Indicator，服务等级指标）和 SLO（Service Level Objective，服务等级目标）。

三者形成一条清晰的链路：SLI → SLO → Error Budget。SLI 是原始测量数据，SLO 是设定的目标，Error Budget 则是 SLO 与完美之间的“缓冲地带”。

1.3 Error Budget 的计算公式

Error Budget 的计算基于 SLO 和总请求量（或总时间窗口）。以下是标准公式：

Error Budget = 总请求量 × (1 - SLO)

其中：
- 总请求量：在评估时间窗口内的所有合法请求总数
- SLO：以小数表示的目标值（如 99.9% 对应 0.999）

示例：
- 时间窗口：30 天
- 总请求量：10,000,000 次
- SLO：99.9%（0.999）
- Error Budget = 10,000,000 × (1 - 0.999) = 10,000 次错误

对于基于时间的 SLO（如可用性），公式略有不同：

Error Budget = 总时间 × (1 - SLO)

示例：
- 时间窗口：30 天 = 43,200 分钟
- SLO：99.9%（0.999）
- Error Budget = 43,200 × (1 - 0.999) = 43.2 分钟

1.4 Error Budget 消耗与剩余

实际运维中，我们更关心剩余 Error Budget，它决定了当前是否可以继续发布：

剩余 Error Budget = 初始 Error Budget - 已消耗 Error Budget

已消耗 Error Budget = 不符合 SLO 的请求数（或故障时间）

当剩余 Error Budget 降至 0 时，触发发布准入熔断，所有灰度发布或变更操作必须暂停，直到窗口滚动刷新或额度恢复。

1.5 常见误区与避坑

• 误区一：Error Budget 是固定不变的 —— 实际上它是滚动窗口内的动态值，随时间推移不断刷新。
• 误区二：SLO 越接近 100% 越好 —— 99.999% 的 SLO 意味着 Error Budget 极小，任何微小故障都会触发熔断，反而降低发布效率。
• 误区三：Error Budget 只用于发布决策 —— 它还可以用于容量规划、故障优先级排序、团队绩效考核等场景。
• 误区四：忽略“消耗速率” —— 即使剩余额度为正，如果消耗速率过快（如短时间内连续故障），也应提前预警。