📚 课程目录第4章台账的初始化

4. 台账的初始化：如何从零开始为现有服务建立第一版SLO误差预算台账

从零开始为现有服务建立第一版SLO误差预算台账，是可靠性工程中最具挑战性的初始化步骤。目标不是追求完美，而是快速建立一个可测量、可审计、可迭代的基线版本。本节将提供一套经过生产验证的四步初始化方法。

4.1 初始化前的三项准备

在动手填写台账之前，必须完成以下三项准备工作，否则后续的SLO定义将缺乏依据。

准备项	关键产出	常见失败模式
1. 服务拓扑梳理	服务依赖图、上下游接口清单	遗漏关键依赖服务，导致SLO覆盖不全
2. 现有监控盘点	可用指标列表、采集频率、数据保留周期	使用未经验证的指标，导致SLO计算失真
3. 干系人访谈	业务方对可靠性的核心期望、容忍阈值	仅凭运维经验定义SLO，脱离业务实际

经验提示： 初始化阶段不要试图一次性覆盖所有指标。优先选择 SLI（服务等级指标） 中最成熟的三个黄金信号：延迟、错误率、吞吐量。可用性指标通常排在第二位。

4.2 第一版SLO的定义原则

第一版SLO应遵循“宽松可调、业务对齐、可测量”三大原则。以下是一个典型的第一版SLO定义模板：

# 第一版SLO定义模板（YAML格式）
service: "用户登录服务"
version: "v1.0-init"
owner: "platform-sre"
created_at: "2025-01-15"

slis:
  - name: "login_latency_p99"
    description: "用户登录接口P99延迟"
    measurement_source: "prometheus_histogram"
    window: "28d"                     # 滚动窗口
    good_event: "latency <= 200ms"
    total_event: "total_requests"

  - name: "login_error_rate"
    description: "用户登录接口错误率"
    measurement_source: "prometheus_counter"
    window: "28d"
    good_event: "http_status != 5xx"
    total_event: "total_requests"

slos:
  - sli: "login_latency_p99"
    target: 99.5                      # 第一版目标：99.5%
    error_budget: 0.5%                # 对应误差预算
    compliance_period: "28d"

  - sli: "login_error_rate"
    target: 99.9
    error_budget: 0.1%
    compliance_period: "28d"

避坑指南： 第一版SLO的 target（目标值） 不要直接设定为“四个九”（99.99%）。对于大多数现有服务，从99.5%或99.9%起步，经过2-3个迭代周期再逐步收紧，成功率远高于一步到位。

4.3 误差预算台账的字段设计

台账的核心是记录每个SLO的预算消耗状态。第一版台账至少需要包含以下字段：

字段	类型	示例值	说明
service_id	string	svc-login	服务唯一标识
sli_name	string	login_latency_p99	SLI名称
slo_target	float	99.5	SLO目标百分比
total_budget	float	0.5	总误差预算（%）
consumed_budget	float	0.12	当前周期已消耗预算（%）
remaining_budget	float	0.38	剩余预算（%）
budget_status	enum	GREEN	GREEN/YELLOW/RED
window_start	datetime	2025-01-01 00:00:00	滚动窗口起始时间
window_end	datetime	2025-01-28 23:59:59	滚动窗口结束时间

4.4 台账初始化流程（四步法）

以下SVG图展示了从零到第一版台账的完整初始化流程：

4.5 台账初始化检查清单

完成第一版台账后，使用以下清单进行自检，确保初始化质量：

完整性检查： 是否覆盖了所有核心服务的至少一个SLI？
可测量性检查： 每个SLI是否都有对应的监控数据源？数据采集频率是否满足SLO窗口计算需求？
业务对齐检查： SLO目标是否经过业务方确认？是否存在“拍脑袋”设定的目标？
预算合理性检查： 误差预算是否为正数？是否存在SLO target = 100%的不合理设定？
版本标记检查： 台账是否标记了版本号（如v1.0-init）？是否记录了创建人和创建时间？

  初始化完成标志： 当台账中所有SLO的 budget_status 字段都能根据实际监控数据自动计算并显示为GREEN/YELLOW/RED时，第一版初始化即告完成。此时可以进入下一阶段：误差预算的持续跟踪与迭代优化。

4.6 常见初始化失败模式与应对

失败模式	典型表现	应对策略
指标不可用	SLI定义后无法获取数据	降级为“待采集”状态，优先使用已有指标
目标过于激进	第一周误差预算即耗尽	立即下调SLO target，避免预算归零导致告警风暴
窗口不匹配	不同SLO使用不同窗口长度	统一为28天滚动窗口，保持评审节奏一致
缺乏业务确认	SLO上线后被业务方质疑	建立SLO评审会议制度，每次迭代前与业务方对齐

第一版台账的核心价值在于建立基线，而非追求完美。只要台账能够真实反映当前服务的可靠性状态，并且具备可迭代的结构，初始化就是成功的。后续的每一次可靠性评审，都将基于这个基线进行增量优化。