1. 课程导论：SLI/SLO/误差预算基本概念、采集链路优化的重要性、课程目标与受众
1.1 核心概念：从 SLI 到 SLO 再到误差预算
在站点可靠性工程（SRE）体系中，SLI（Service Level Indicator，服务等级指标）、SLO（Service Level Objective，服务等级目标） 和 误差预算（Error Budget） 构成了可观测性决策的黄金三角。理解三者的递进关系，是优化采集链路的前提。
| 概念 | 定义 | 典型示例 | 核心作用 |
|---|---|---|---|
| SLI | 衡量服务质量的具体量化指标 | 请求延迟 P99 ≤ 200ms、可用性 ≥ 99.9% | 提供可观测的原始数据 |
| SLO | SLI 的目标阈值，代表用户可接受的服务水平 | 月度可用性 SLO = 99.95% | 定义可靠性目标边界 |
| 误差预算 | 1 - SLO，即允许服务不可靠的时间或请求比例 | SLO 99.95% → 误差预算 = 0.05% | 平衡可靠性与创新速度 |
关键认知： 误差预算不是“失败配额”，而是风险管理的量化工具。当误差预算耗尽时，团队应暂停新功能发布，优先投入可靠性修复。
1.2 采集链路优化的重要性
误差预算的精度直接取决于 SLI 数据的采集质量。一条典型的 SLI 采集链路包含：数据产生 → 采集代理 → 传输管道 → 聚合计算 → 存储查询。任何一个环节的失真，都会导致误差预算台账出现偏差。
- 数据丢失： 网络抖动或代理崩溃导致部分请求未被记录，SLO 被虚高。
- 采样偏差： 固定比例采样在流量低谷期丢失尾部延迟样本，P99 计算失真。
- 时间窗口错位： 采集端与服务端时钟不同步，导致延迟分布计算错误。
- 聚合精度不足： 使用平均值掩盖长尾问题，误差预算消耗被低估。
常见误区： 很多团队只关注 SLO 阈值设定，却忽视了采集链路本身的可靠性。一条 99.9% 可用性的采集链路，其自身误差预算消耗可能已经占用了服务 SLO 的 10%-20%。
1.3 SLI 采集链路架构总览
下图展示了从用户请求到误差预算计算的完整数据流，以及各环节可能引入的误差来源。
1.4 课程目标与受众
本课程旨在帮助 SRE 与可观测性工程师系统性地解决 SLI 采集链路中的精度问题，从而建立高置信度的误差预算台账。
| 维度 | 具体内容 |
|---|---|
| 核心目标 | 掌握 SLI 采集链路的全链路优化方法，将误差预算计算偏差控制在 ±5% 以内 |
| 能力提升 | 能够独立设计高可靠采集架构、诊断数据失真根因、建立自动化校验机制 |
| 适用人群 | SRE 工程师、可观测性平台开发者、运维架构师、技术负责人 |
| 前置知识 | 了解基本监控概念（指标、日志、链路追踪），有 Prometheus/OpenTelemetry 使用经验更佳 |
学习建议： 建议在学习过程中，对照自己团队当前的 SLI 采集链路，逐一检查每个环节的误差来源，将理论转化为实际的优化动作。
1.5 课程内容概览
全课程共 30 章，分为四大模块：
- 基础篇（第 1-5 章）： 概念夯实与误差预算计算原理
- 采集篇（第 6-15 章）： 代理优化、采样策略、传输可靠性
- 计算篇（第 16-25 章）： 聚合精度、窗口对齐、去重与降噪
- 治理篇（第 26-30 章）： 自动化校验、告警策略、持续改进
通过本课程的学习，你将能够构建一条可追溯、可校验、高精度的 SLI 采集链路，让误差预算真正成为指导可靠性决策的可靠依据。