2. 核心概念：SLO、SLI 与误差预算的定义及数学关系
在可靠性工程体系中，SLO（服务等级目标）、SLI（服务等级指标）与误差预算（Error Budget）构成了闭环决策的三大支柱。理解三者的定义与数学关系，是驱动可靠性评审与迭代优化的前提。
2.1 定义与职责边界
| 概念 | 英文全称 | 核心定义 | 典型示例 |
|---|---|---|---|
| SLI | Service Level Indicator | 对服务某个维度的直接量化测量，反映真实运行状态。 | 请求延迟 P99、错误率、吞吐量 |
| SLO | Service Level Objective | 对 SLI 设定的目标阈值或范围，代表“足够好”的边界。 | P99 延迟 ≤ 200ms（30天滚动窗口） |
| 误差预算 | Error Budget | SLO 允许的最大不可用额度，即 1 - SLO 的时间或事件比例。 | SLO = 99.9% → 误差预算 = 0.1% |
关键区分： SLI 是“测量值”，SLO 是“承诺值”，误差预算是“可用容错空间”。三者构成从观测到决策的完整链路。
2.2 数学关系：从 SLI 到误差预算
误差预算的数学基础建立在 SLI 与 SLO 的差值之上。设服务在时间窗口 T 内的总请求数为 N，其中成功请求数为 S，则：
SLI = S / N （例如：成功率 = 成功请求数 / 总请求数）
SLO = 目标阈值 （例如：SLO = 99.9%）
误差预算 = 1 - SLO （以比例表示）
已消耗误差 = 1 - SLI （当前实际不可用比例）
剩余误差预算 = (1 - SLO) - (1 - SLI) = SLI - SLO当 SLI ≥ SLO 时，剩余误差预算 ≥ 0，服务处于合规状态；当 SLI < SLO 时，误差预算耗尽，触发可靠性评审与冻结发布。
实践要点： 误差预算通常以“分钟/月”或“请求数/窗口”为单位。例如 SLO = 99.9%（30天），则误差预算 = 0.1% × 30 × 24 × 60 = 43.2 分钟。团队可在此额度内安排发布、实验或维护。
2.3 三者的闭环关系图
下图展示了 SLI、SLO 与误差预算在可靠性评审流程中的核心位置与数据流向：
2.4 误差预算的消耗与恢复机制
误差预算并非静态额度，而是随时间窗口滚动消耗与恢复。下表对比了两种常见窗口策略：
| 窗口类型 | 计算方式 | 优点 | 缺点 |
|---|---|---|---|
| 固定日历窗口 | 按月/季度重置预算 | 简单直观，便于财务对齐 | 月初预算充足时可能放松警惕 |
| 滚动时间窗口 | 过去 N 天/周的滑动窗口 | 持续反映近期可靠性状态 | 计算复杂，需持续聚合数据 |
常见误区： 误差预算耗尽 ≠ 服务完全不可用。它仅表示在 SLO 定义的时间窗口内，不可用比例已超过承诺阈值。此时应优先恢复可靠性，而非继续追求发布速度。
2.5 多层级 SLO 与误差预算分解
大型系统通常按服务层级定义多级 SLO。下图展示了一个典型的三层分解结构：
分解原则： 下层组件的 SLO 必须比上层更严格（数值更高），以确保整体 SLO 可达。例如，若用户可见 SLO 为 99.95%，则依赖的服务 SLO 应设为 99.97% 或更高，组件级 SLO 则需达到 99.99% 级别。
2.6 误差预算在可靠性评审中的角色
- 决策触发器： 当剩余误差预算低于阈值（如 20%）时，自动触发可靠性评审会议。
- 发布阀门： 误差预算耗尽期间，禁止任何非紧急发布，仅允许修复性变更。
- 投资优先级： 误差预算消耗速率反映可靠性债务，指导团队将工程资源投入最薄弱的环节。
- 沟通语言： 用“误差预算还剩多少分钟”替代模糊的“系统不太稳定”，建立跨团队共识。
台账管理建议： 在可靠性评审中，使用误差预算台账记录每个服务的 SLO、当前 SLI、剩余预算、消耗速率及趋势。台账应支持按周/月滚动查看，并标注触发评审的历史事件。