1. SLI / SLO 基础概念
在开始误差预算与性能调优之前，必须统一对 SLI、SLO 和 SLA 的认知。这三个术语常被混用，但在 SRE 实践中各自承担截然不同的职责。本章从定义、区别到黄金信号，建立可观测性调优的度量基石。
1.1 SLI 定义
SLI（Service Level Indicator，服务等级指标） 是衡量服务质量某一维度的原始量化值。SLI 必须是可采集、可计算、可对比的数值，通常以比率或延迟分位数呈现。
- 延迟 SLI：请求响应时间，如 P99 ≤ 200ms
- 错误 SLI：请求失败率，如 HTTP 5xx 占比 ≤ 1%
- 流量 SLI：请求吞吐量，如 QPS = 5000
- 饱和度 SLI：资源使用程度，如 CPU 使用率 ≤ 80%
实践要点：SLI 必须定义明确的采集窗口（如 1 分钟粒度）和聚合方式（如平均值、分位数）。避免使用“感觉慢”这类主观描述。
1.2 SLO 定义
SLO（Service Level Objective，服务等级目标） 是为 SLI 设定的目标阈值，是团队承诺的服务质量边界。SLO 通常表述为“在某个时间窗口内，SLI 达到某标准的比例”。
| 维度 | SLI 示例 | SLO 示例 |
|---|---|---|
| 延迟 | P99 延迟 | 过去 30 天，P99 延迟 ≤ 200ms 的比例 ≥ 99.9% |
| 错误 | HTTP 5xx 率 | 过去 7 天，错误率 ≤ 0.1% 的比例 ≥ 99.95% |
| 饱和度 | CPU 使用率 | 过去 24 小时，CPU ≤ 80% 的比例 ≥ 99% |
常见误区：SLO 不是“理想值”，而是可容忍的边界。设置过紧的 SLO（如 99.999%）会导致频繁告警和无效运维；设置过松则失去质量保障意义。
1.3 SLA 区别
SLA（Service Level Agreement，服务等级协议） 是对外承诺的法律或商业条款，通常比 SLO 更宽松。SLO 是内部目标，SLA 是外部契约。
| 对比项 | SLO | SLA |
|---|---|---|
| 受众 | 内部工程团队 | 客户 / 业务方 |
| 严格程度 | 更严格（预留误差预算） | 更宽松（含赔偿条款） |
| 调整频率 | 按需迭代 | 合同周期固定 |
| 违反后果 | 触发告警、复盘 | 赔偿、法律追责 |
核心原则：SLO 必须比 SLA 更严格。例如 SLA 承诺 99.9% 可用性，内部 SLO 应设为 99.95%，预留 0.05% 的误差预算作为缓冲。
1.4 黄金信号（Golden Signals）
Google SRE 团队定义了四个黄金信号，覆盖用户可感知的服务质量全维度。任何系统的可观测性建设都应从这四个信号开始。
- 延迟（Latency）：请求处理耗时。关注高延迟是否由慢响应导致，而非仅看平均值。
- 流量（Traffic）：系统负载水平。如 QPS、RPS、并发连接数。
- 错误（Errors）：显式错误（5xx）+ 隐式错误（如返回 200 但业务逻辑失败）。
- 饱和度（Saturation）：资源耗尽程度。CPU、内存、磁盘 I/O、连接池等。
1.5 SLI 到 SLO 的映射关系
每个 SLO 必须绑定至少一个 SLI。一个 SLI 可以服务于多个 SLO，但每个 SLO 只能有一个目标值。下图展示从原始指标到服务等级承诺的完整链路。
关键认知：误差预算 = 1 - SLO。例如 SLO 为 99.9%，则误差预算为 0.1%。这个预算决定了团队可以承受多少故障而不触发惩罚，也是后续性能调优中“是否值得优化”的决策依据。
1.6 本章小结
- SLI 是度量什么——可量化的服务质量指标。
- SLO 是目标值——内部承诺的服务质量边界。
- SLA 是契约——对外承诺，附带赔偿条款。
- 黄金信号 是度量维度——延迟、流量、错误、饱和度，缺一不可。
- 误差预算连接 SLO 与调优决策，是后续案例实战的核心工具。