📚 课程目录第2章 SLO基础概念

2. SLO 基础概念：服务等级目标

服务等级目标（Service Level Objective, SLO）是可观测性与站点可靠性工程（SRE）的核心度量锚点。它不是一个简单的“阈值”，而是服务所有者与用户之间关于“服务应该好到什么程度”的明确契约。理解 SLO 的定义、它与 SLI/SLA 的关系以及常见类型，是构建服务画像与误差预算体系的第一步。

2.1 SLO 的定义

SLO 是一个具体的、可量化的目标值，它规定了在特定时间窗口内，某个服务等级指标（SLI）必须达到的期望水平。SLO 通常以百分比形式表示，并附带一个时间范围。

  核心公式：

  SLO = 目标值（如 99.9%） + 时间窗口（如 30 天）

  示例：在过去 30 天内，服务可用性 SLI 必须 ≥ 99.9%。

SLO 的关键特征包括：

用户视角驱动：SLO 应基于用户可感知的体验，而非内部基础设施指标。
可测量与可追踪：必须能够通过 SLI 持续测量，并实时计算达标情况。
误差预算的边界：SLO 定义了“好”与“坏”的边界，两者之间的差值即为误差预算。
动态调整：随着服务画像变化，SLO 需要定期审视与更新。

2.2 SLO 与 SLI / SLA 的关系

这三者构成了服务等级管理的金字塔结构。理解它们之间的层级关系，是避免概念混淆的关键。

概念	定义	核心特征	示例
SLI （服务等级指标）	衡量服务质量好坏的原始度量指标。	可观测、可采集、可计算。	请求延迟 P99、错误率、吞吐量 QPS。
SLO （服务等级目标）	为 SLI 设定的具体目标阈值。	可量化、有时间窗口、是内部承诺。	P99 延迟 ≤ 200ms（过去 7 天）。
SLA （服务等级协议）	与客户签订的法律/商业合同。	有惩罚条款、通常比 SLO 宽松。	月度可用性 ≥ 99.9%，否则赔偿。

实践要点：SLA 是商业承诺，SLO 是工程目标。通常 SLA 会设置得比 SLO 更宽松（例如 SLA 为 99.9%，内部 SLO 为 99.95%），以预留误差预算缓冲，避免触发赔偿。

下图展示了 SLI → SLO → SLA 的层级关系与数据流向：

2.3 SLO 的常见类型

在服务画像中，最常见的 SLO 类型围绕三个核心维度：可用性、延迟和吞吐量。此外，正确率（错误率）也常作为关键指标。

2.3.1 可用性（Availability）SLO

衡量服务在给定时间窗口内正常响应请求的能力。通常以“多少个 9”表示。

定义：成功请求数 / 总请求数 × 100%
常见目标：99.9%（3个9）、99.99%（4个9）
典型场景：核心数据库、用户认证服务、支付网关。

2.3.2 延迟（Latency）SLO

衡量服务响应请求的速度。通常使用百分位数（Percentile）来避免平均值掩盖长尾问题。

定义：特定百分位（如 P50、P99）的请求完成时间。
常见目标：P99 延迟 ≤ 200ms，P50 延迟 ≤ 50ms。
典型场景：API 网关、前端页面渲染、实时推荐服务。

2.3.3 吞吐量（Throughput）SLO

衡量服务在单位时间内能处理的请求量或数据量。

定义：每秒请求数（QPS）、每秒事务数（TPS）、每秒数据量（MB/s）。
常见目标：峰值 QPS ≥ 10,000，日均处理量 ≥ 1 亿条。
典型场景：消息队列、日志采集系统、CDN 边缘节点。

常见误区：不要只设置一个 SLO。一个完整的服务画像通常需要组合多个 SLO（如“可用性 99.9% 且 P99 延迟 ≤ 200ms”），才能全面反映服务质量。单一维度的 SLO 容易掩盖其他维度的劣化。

下表总结了三种常见 SLO 类型的对比：

类型	核心度量	典型目标值	用户感知影响	常见陷阱
可用性	成功请求占比	99.9% ~ 99.999%	服务完全不可用	忽略健康检查请求的干扰
延迟	百分位响应时间	P99 ≤ 200ms	页面加载慢、接口超时	只关注平均值，忽略长尾
吞吐量	单位时间请求量	峰值 QPS ≥ 10k	请求排队、限流触发	未区分正常流量与攻击流量

下图展示了三种 SLO 类型在服务调用链中的监控位置与相互关系：

2.4 小结

SLO 是连接用户期望与工程执行的桥梁。通过明确 SLI → SLO → SLA 的层级关系，并围绕可用性、延迟、吞吐量等核心维度设定目标，团队可以量化服务质量、建立误差预算机制，并为后续的服务画像动态更新奠定基础。