2. SLO 核心概念：SLI、SLO、误差预算的定义与关系
在构建可靠性工程体系时，SLI（服务等级指标）、SLO（服务等级目标）与误差预算（Error Budget）构成了最核心的三角关系。理解这三者的定义及其相互作用，是落地 SLO 误差预算台账的前提。
2.1 核心定义
| 术语 | 英文全称 | 定义 | 类比 |
|---|---|---|---|
| SLI | Service Level Indicator | 服务质量的直接可测量指标，如请求延迟、错误率。 | 汽车仪表盘上的“速度表” |
| SLO | Service Level Objective | 对 SLI 设定的目标阈值，如“99.9% 的请求延迟 < 200ms”。 | “限速 120 km/h”的标牌 |
| 误差预算 | Error Budget | 在 SLO 允许范围内，服务可以不可靠的时间或次数。 | “超速罚单额度” |
关键公式： 误差预算 = 1 - SLO（例如：SLO 为 99.9%，则误差预算为 0.1%）。在滚动窗口期（如 30 天）内，服务不可用的总时长不能超过此预算。
2.2 三角关系：SLI → SLO → 误差预算
三者构成一个闭环决策链路：
- 定义 SLI：选择最能反映用户体验的测量指标。
- 设定 SLO：基于业务容忍度，为 SLI 设定一个可接受的目标值。
- 计算误差预算：SLO 确定后，误差预算即被锁定。
- 驱动决策：当误差预算消耗过快时，团队应暂停新功能发布，优先投入稳定性建设。
2.3 常见的 SLI 指标类型（四大黄金信号）
Google SRE 经典著作中定义了四个核心 SLI 类型，被称为“四大黄金信号”。在实际工程中，我们通常从这四个维度选取 2~3 个作为核心 SLI。
| 指标类型 | 测量对象 | 典型 SLI 定义示例 | 常见采集方式 |
|---|---|---|---|
| 延迟 | 请求响应时间 | 99% 的请求延迟 ≤ 200ms（基于 1 分钟窗口） | Prometheus Histogram / p99 分位 |
| 错误率 | 失败请求比例 | HTTP 5xx 错误率 ≤ 0.1%（基于 5 分钟窗口） | HTTP 状态码计数 / 日志聚合 |
| 吞吐量 | 请求处理速率 | 每秒请求数（RPS）≥ 基线值的 90% | Prometheus Rate / 流量监控 |
| 饱和度 | 资源使用程度 | CPU 使用率 ≤ 80% 或队列深度 ≤ 100 | Node Exporter / 资源监控 |
实践建议： 对于大多数 Web 服务，延迟和错误率是必须定义的 SLI；吞吐量和饱和度通常作为辅助指标，用于排查容量问题。
2.4 四大 SLI 指标的关系与选择策略
这四个指标并非孤立存在，它们之间存在因果或关联关系。例如：
- 饱和度升高 → 延迟增加 → 错误率上升：这是最常见的故障传导链。
- 吞吐量骤降：可能由上游依赖延迟或自身错误率飙升引起。
2.5 误差预算的工程意义
误差预算不仅是数学计算，更是团队决策的“货币”。以下是其在工程落地中的核心作用：
- 发布节奏控制：当误差预算充足时，团队可以快速迭代；当预算即将耗尽时，应冻结发布，优先修复稳定性。
- 故障响应优先级：消耗误差预算越快的故障，修复优先级越高。
- 跨团队对齐：SLO 和误差预算为开发、运维、产品团队提供了统一的可靠性语言。
常见误区： 不要将 SLO 设定为 100%。100% 的 SLO 意味着零误差预算，团队将无法进行任何变更或发布，反而会降低系统韧性。通常建议 SLO 设定在 99.9% ~ 99.99% 之间。
2.6 小结：从概念到台账的映射
在后续章节中，我们将基于这些核心概念构建SLO 误差预算台账。台账中的每一行记录，本质上就是：
服务名称 | SLI 类型 | SLO 目标 | 滚动窗口 | 当前消耗 | 剩余预算 | 状态