2. SLI 与 SLO 基础：定义服务等级指标与服务等级目标
在 SRE 实践中，SLI（Service Level Indicator，服务等级指标）与SLO（Service Level Objective，服务等级目标）是构建可靠性工程的基石。它们不仅量化了服务的“健康”程度，更是 Error Budget 策略的输入与约束条件。理解这三者的关系，是设计灰度发布准入策略的前提。
2.1 什么是 SLI（服务等级指标）？
SLI 是对服务某个特定维度的量化测量，通常是一个随时间变化的比率或数值。常见的 SLI 维度包括：
| 维度 | 典型 SLI 定义 | 测量方式 |
|---|---|---|
| 可用性 | 请求成功数 / 总请求数 | HTTP 200/5xx 状态码计数 |
| 延迟 | 在特定时间窗口内，满足阈值（如 ≤200ms）的请求比例 | P99 / P95 分位延迟 |
| 吞吐量 | 每秒成功处理的请求数（RPS） | 服务端请求计数器 |
| 错误率 | 返回错误（如 HTTP 5xx、超时、业务异常）的请求比例 | 错误日志 / 监控指标 |
| 饱和度 | 资源使用量 / 资源容量上限 | CPU / 内存 / 连接池使用率 |
实践建议：SLI 应选择用户可感知的指标。例如，对于 API 网关，核心 SLI 是“端到端请求延迟 P99 ≤ 500ms”和“可用性 ≥ 99.9%”，而非内部数据库连接池大小。
2.2 什么是 SLO（服务等级目标）？
SLO 是团队为 SLI 设定的目标阈值，代表“我们希望服务做到多好”。SLO 通常是一个百分比，并附带一个时间窗口（如过去 30 天）。
- 格式示例：“在过去 30 天内，99.9% 的请求延迟 ≤ 200ms”。
- 严格程度：SLO 应比用户实际期望略低，为系统留出容错空间。
- 多层级：通常分为“严格 SLO”（如 99.99%）和“宽松 SLO”（如 99.9%），用于不同场景。
关键原则：SLO 不是 SLA（服务等级协议）。SLA 是对外的承诺，通常附带赔偿条款；SLO 是内部目标，用于指导工程决策。SLO 可以比 SLA 更严格，但绝不能更宽松。
2.3 SLI 与 SLO 的关系：一个示例
假设我们有一个用户登录服务：
- SLI：过去 1 分钟内，登录请求的 HTTP 200 响应比例。
- SLO：过去 30 天内，该 SLI 的月度平均值 ≥ 99.95%。
如果某次灰度发布导致登录接口错误率上升，SLI 会立即下降。当 SLI 低于 SLO 阈值时，意味着我们正在消耗 Error Budget。
2.4 Error Budget 的定义与计算
Error Budget（错误预算）是 SLO 的“反向”指标，代表服务在给定时间窗口内允许失败的总量。计算公式为：
Error Budget = (1 - SLO) × 总请求量 × 时间窗口例如，一个 SLO 为 99.9% 的服务，在 30 天（约 2,592,000 秒）内，假设每秒 1000 个请求：
总请求量 = 2,592,000 × 1000 = 2,592,000,000
Error Budget = (1 - 0.999) × 2,592,000,000 = 2,592,000 次失败这意味着该服务在 30 天内最多允许约 259 万次失败。一旦消耗完，团队必须停止所有非紧急变更（如灰度发布），优先恢复稳定性。
2.5 三者的核心关系：一个内联 SVG 流程图
下图展示了 SLI、SLO 与 Error Budget 之间的闭环关系：
2.6 关系总结表
| 概念 | 本质 | 与 Error Budget 的关系 | 在灰度发布中的作用 |
|---|---|---|---|
| SLI | 实时测量值 | 作为 Error Budget 消耗的输入 | 灰度期间持续监控，判断是否触发回滚 |
| SLO | 目标阈值 | 定义 Error Budget 的总量 | 决定灰度发布是否允许准入 |
| Error Budget | 剩余容错空间 | 自身是决策依据 | 当 Budget 耗尽时，禁止灰度发布 |
2.7 实践中的关键考量
- SLI 选择：避免选择“完美”但无意义的指标。例如，内部健康检查的成功率通常很高，但无法反映真实用户体验。
- SLO 设定：不要追求 100%。100% 的 SLO 意味着零容错，会导致 Error Budget 为 0，任何变更都无法进行。
- 时间窗口：Error Budget 通常使用滚动窗口（如 30 天），而非固定日历月，以避免月末“突击”消耗。
- 多 SLO 场景：一个服务可以有多个 SLO（如延迟 SLO + 可用性 SLO）。灰度发布准入应检查所有 SLO 的 Error Budget 是否充足。
常见陷阱：不要将 SLI 与 SLO 混为一谈。SLI 是“实际值”，SLO 是“期望值”。在灰度发布准入脚本中，应比较的是“当前 SLI 是否在 SLO 范围内”，而非“SLI 是否等于 SLO”。
2.8 一个内联 SVG 架构图：多 SLO 下的 Error Budget 视图
当服务包含多个 SLO 时，Error Budget 的管理需要分层聚合。下图展示了一个典型微服务的多维度 Error Budget 视图：