📚 课程目录第3章 Error Budget计算公式

3. Error Budget 计算公式：从 SLO 到预算的推导与实例

Error Budget（错误预算）是 SRE 实践中的核心量化工具，它直接由服务等级目标（SLO）推导而来。理解其计算公式，是后续配置灰度发布准入策略的基础。

Error Budget 的定义非常直观：在给定的时间窗口内，服务允许发生故障或性能降级的总“额度”。其计算公式为：

Error Budget = 1 - SLO

其中 SLO 以小数形式表示（例如 99.9% 表示为 0.999）。

推导逻辑：

SLO 定义了服务必须达到的“成功”或“可用”比例。例如，SLO = 99.9% 意味着在时间窗口内，服务必须保证 99.9% 的请求成功或正常运行。
剩余部分（1 - SLO）就是服务可以“失败”或“不可用”的最大容忍比例。这个剩余部分就是 Error Budget。
本质： Error Budget 将抽象的可靠性目标，转化为一个可消耗、可追踪的“预算”。团队可以在这个预算范围内进行风险操作（如灰度发布、版本升级），而无需担心立即违反 SLO。

关键理解： Error Budget 不是“坏账”，而是“安全垫”。只要预算未耗尽，团队就可以放心地进行变更；预算耗尽时，则应立即停止高风险操作，优先恢复稳定性。

实际计算中，需要将 Error Budget 从比例转换为具体的时间或请求数量，以便于监控和决策。下面以最常见的 99.9% 和 99.99% SLO 为例，分别计算月度（30天）和季度（90天）的预算。

对于“可用性”类 SLO（如服务正常运行时间），Error Budget 通常以“允许的最大不可用时间”表示。

SLO	Error Budget 比例	月度预算（30天）	季度预算（90天）
99.9%	0.1%	30天 × 24小时 × 60分钟 × 0.1% = 43.2 分钟	90天 × 24小时 × 60分钟 × 0.1% = 129.6 分钟
99.99%	0.01%	30天 × 24小时 × 60分钟 × 0.01% = 4.32 分钟	90天 × 24小时 × 60分钟 × 0.01% = 12.96 分钟

计算示例：

对于“性能”类 SLO（如 95% 的请求延迟低于 200ms），Error Budget 通常以“允许失败的请求数量”表示。

SLO	Error Budget 比例	月度预算（假设 1 亿请求）	季度预算（假设 3 亿请求）
99.9%	0.1%	100,000,000 × 0.1% = 100,000 次失败	300,000,000 × 0.1% = 300,000 次失败
99.99%	0.01%	100,000,000 × 0.01% = 10,000 次失败	300,000,000 × 0.01% = 30,000 次失败

计算示例：

某 API 服务月度请求量为 1 亿，SLO = 99.9%（延迟达标率）。则月度 Error Budget 为 10 万次慢请求。一旦本月慢请求累计超过 10 万，预算耗尽。
在灰度发布期间，如果新版本导致每分钟增加 1000 次慢请求，那么团队可以估算出：在预算耗尽前，最多可以运行 100,000 / 1000 = 100 分钟。这为灰度暂停或回滚提供了明确的时间窗口。

下图展示了 Error Budget 在灰度发布流程中的核心作用：它作为“准入阀门”，控制着变更是否可以进行。

实践要点：

预算窗口对齐： Error Budget 的计算窗口（月度/季度）必须与 SLO 的考核周期一致。如果 SLO 是按季度考核，那么预算也应按季度计算和重置。
消耗速率： 不仅要关注预算的值，更要关注消耗速率。如果预算在月初就快速消耗 50%，即使未耗尽，也应触发预警，降低变更频率。
灰度准入阈值： 通常设置一个“预算安全线”（如剩余 20%）。低于此线时，自动阻止新的灰度发布，直到预算通过自然恢复（时间窗口重置）或人工干预后回升。

Error Budget 的计算公式 Error Budget = 1 - SLO 虽然简单，但其背后是 SRE 从“追求 100% 可用性”到“管理可用性风险”的思维转变。通过将抽象的 SLO 转化为具体的分钟数或请求数，团队可以：