4. 流水线SLI四大黄金指标：延迟、吞吐量、错误率、饱和度

在跨团队CI/CD流水线可观测性体系中，SLI（Service Level Indicator）是衡量流水线健康度的量化标尺。借鉴Google SRE经典四大黄金信号，我们将其适配到流水线场景，形成延迟（Duration）、吞吐量（Throughput）、错误率（Error Rate）、饱和度（Saturation）四个核心维度。这四类指标覆盖了流水线从触发到交付的全生命周期，是后续告警降噪与SLO制定的数据基础。

4.1 延迟（Duration）

延迟衡量流水线从触发到完成所消耗的总时间，以及各阶段的耗时分布。它是开发者最直观的感受指标，也是流水线效率的直接体现。

4.2 吞吐量（Throughput）

吞吐量反映流水线在单位时间内处理的工作负载量。它直接关联团队的交付效率与资源利用率。

• 流水线执行次数/小时：每小时成功触发的流水线运行次数。用于衡量流水线引擎的处理能力。
• 并发运行数：同一时刻正在运行的流水线实例数量。反映资源池的并行处理能力。
• 交付吞吐量：单位时间内成功部署到生产环境的变更数量。这是业务侧最关心的吞吐指标。
• 构建产出量：单位时间内生成的制品数量（如Docker镜像、JAR包）。用于衡量构建集群的负载。

4.3 错误率（Error Rate）

错误率衡量流水线运行过程中出现失败或异常的比例。它是流水线稳定性的核心指标，也是告警降噪的重点关注对象。

• 流水线失败率：失败的流水线运行次数 / 总运行次数 × 100%。排除因代码问题导致的失败，聚焦基础设施与平台层错误。
• 阶段失败率：按阶段统计的失败率。例如，编译失败率、测试失败率、部署失败率。
• 超时错误率：因超过预设超时时间而失败的流水线比例。通常与延迟和饱和度强相关。
• 基础设施错误率：因Agent不可用、网络超时、存储空间不足等基础设施问题导致的失败比例。

4.4 饱和度（Saturation）

饱和度衡量流水线资源被利用的程度。它是延迟和错误率的前置指标——当饱和度接近临界值时，延迟会急剧上升，错误率也会随之增加。

4.5 四大黄金指标关联关系

下图展示了四大黄金指标在流水线场景中的因果链路与相互影响关系，帮助跨团队理解指标之间的联动效应。

4.6 跨团队SLI口径统一要点

在跨团队协作中，不同团队可能使用不同的工具链（Jenkins、GitLab CI、GitHub Actions、Argo Workflows），导致指标口径不一致。以下是统一口径的关键要点：

• 时间戳对齐：所有团队统一使用流水线触发时间作为时间戳基准，避免因时区或时钟偏差导致数据不一致。
• 阶段划分标准化：定义标准阶段名称（checkout、build、test、package、deploy），各团队映射到统一阶段。
• 失败分类标签：强制要求每个失败事件携带 failure_reason 标签，取值包括 code_error、infra_error、timeout、resource_exhausted。
• 采样周期统一：所有SLI指标按1分钟粒度采集，聚合窗口统一为5分钟、15分钟、1小时。

# sli_definition.yaml
duration:
  metric_name: pipeline_duration_seconds
  labels: [team, pipeline_name, stage]
  type: histogram
  buckets: [60, 120, 300, 600, 1800, 3600]

error_rate:
  metric_name: pipeline_failure_total
  labels: [team, pipeline_name, failure_reason]
  type: counter

4.7 基于四大黄金指标的告警降噪策略

四大黄金指标为告警降噪提供了分层过滤框架。通过指标间的关联关系，可以有效减少无效告警：