3. CI/CD 流水线 SLI 口径设计原则：四大黄金信号的映射

在构建可观测的 CI/CD 流水线时，Google SRE 提出的四大黄金信号——可用性 (Availability)、延迟 (Latency)、吞吐量 (Throughput) 和 错误率 (Error Rate)——是定义 SLI（服务等级指标）的基石。然而，流水线并非单一服务，而是一个由多个阶段（代码提交、构建、测试、部署）组成的异步工作流。将黄金信号直接套用会导致口径混乱。

本章的核心任务是：将四大黄金信号逐一映射到 CI/CD 流水线的每个关键阶段，定义出可测量、可对比、可告警的 SLI 口径。 映射的核心原则是：每个信号必须对应一个明确的“阶段状态”或“阶段转换”，而非笼统的“流水线健康”。

3.1 可用性 (Availability)：阶段可执行性与环境就绪度

在传统服务中，可用性指服务是否正常响应。在 CI/CD 中，可用性映射为“流水线阶段是否能够按预期启动并执行”。一个阶段不可用，意味着该阶段因基础设施故障、权限缺失或资源耗尽而无法进入执行状态。

3.2 延迟 (Latency)：阶段耗时与等待时间

延迟在流水线中分为两类：执行延迟（阶段实际运行耗时）和排队延迟（任务等待资源的时间）。SLI 口径必须区分这两者，因为优化手段完全不同。

• 执行延迟 SLI： 阶段从开始执行到结束的时间。例如：构建阶段耗时 P50/P95、单元测试阶段耗时 P99。
• 排队延迟 SLI： 任务进入队列到被调度执行的时间。例如：构建任务在 Agent 队列中的等待时间 P95。
• 端到端延迟 SLI： 从代码提交到生产部署完成的总耗时。此指标受前两者共同影响。

# 示例：Prometheus 记录构建阶段执行延迟（Histogram 类型）
ci_build_duration_seconds{stage="compile", status="success"}
# 示例：记录排队延迟（Gauge 类型）
ci_queue_wait_seconds{queue_name="build_agents"}

3.3 吞吐量 (Throughput)：阶段处理能力与并发量

吞吐量在流水线中映射为“单位时间内完成的阶段实例数”。它直接反映流水线的并发处理能力和资源瓶颈。

• 构建吞吐量： 每分钟/每小时完成的构建任务数。
• 部署吞吐量： 每天完成的部署次数（Deployments per Day, DPD）。
• 测试吞吐量： 每小时执行的测试用例数（通常用于压力测试阶段）。

吞吐量 SLI 必须与并发资源（Agent 数量、数据库连接池大小）关联分析。当吞吐量下降时，通常意味着资源成为瓶颈或存在锁竞争。

3.4 错误率 (Error Rate)：阶段失败率与异常比例

错误率是四大信号中最直观的，但也是最容易被误用的。在流水线中，错误率必须按失败原因进行分类，否则无法指导改进。

3.5 四大信号在流水线中的协同映射关系

以下 SVG 图展示了四大黄金信号如何映射到 CI/CD 流水线的不同阶段，并形成可观测的 SLI 数据流。每个阶段都对应一组特定的信号口径，而非全流水线共享同一套指标。

3.6 口径设计检查清单

在定义每个 SLI 时，请使用以下清单进行自检，确保口径符合四大黄金信号的映射原则：

• 阶段归属： 该 SLI 是否明确属于某个流水线阶段（检出、构建、测试、部署）？
• 信号分类： 该 SLI 属于可用性、延迟、吞吐量还是错误率？是否存在交叉混淆？
• 测量可行性： 该 SLI 是否可以通过现有工具（Prometheus、Datadog、ELK）直接采集？是否需要额外埋点？
• 区分失败原因： 错误率 SLI 是否按基础设施、代码、权限、配置进行了分类？
• 区分延迟类型： 延迟 SLI 是否区分了执行延迟和排队延迟？