2. SLI 定义与分类：请求延迟、错误率、吞吐量、饱和度等经典 SLI 指标的定义与选择原则

服务等级指标（Service Level Indicator, SLI）是衡量系统某一维度服务质量的量化度量。它是构建 SLO 和误差预算的原始数据基础。如果 SLI 采集链路存在偏差、延迟或覆盖不全，后续的 SLO 台账精度将无从谈起。本章将系统梳理经典 SLI 的定义、分类体系以及选择原则，为后续采集链路优化奠定概念基础。

2.1 经典四大黄金指标

Google SRE 实践中提炼出的“四大黄金信号”是 SLI 设计的起点。这四类指标覆盖了用户可感知的绝大多数服务质量维度。

2.2 SLI 的扩展分类体系

在实际生产环境中，仅靠四大黄金指标往往不够。现代微服务架构和复杂业务场景要求更精细的 SLI 分类。以下扩展分类体系可以帮助团队更全面地覆盖可观测性盲区。

• 可用性类： 服务是否在运行并能响应请求。典型指标包括：健康检查成功率、服务启动时间、故障转移时间。
• 正确性类： 返回的数据或执行的结果是否符合预期。典型指标包括：数据一致性校验通过率、业务逻辑正确率、幂等操作成功率。
• 新鲜度类： 数据从产生到可被查询的时间差。典型指标包括：数据管道延迟、缓存更新延迟、流处理延迟。
• 容量类： 系统当前负载与最大容量的关系。典型指标包括：数据库连接池使用率、磁盘 IOPS 使用率、网络带宽使用率。
• 用户体验类： 从用户端感知的服务质量。典型指标包括：首字节时间 (TTFB)、页面完全加载时间、移动端 App 启动时间。

2.3 SLI 选择原则与避坑指南

选择错误的 SLI 或定义不当的 SLI，会导致 SLO 台账失真，甚至误导运维决策。以下是经过验证的选择原则和常见陷阱。

选择原则

1. 可测量性： 指标必须能够被稳定、持续地采集，且采集成本可控。
2. 可区分性： 指标能够清晰区分“好”与“坏”的状态，阈值定义明确。
3. 可归因性： 当指标异常时，能够快速定位到具体的服务、实例或代码模块。
4. 稳定性： 指标不应因非业务因素（如采集系统抖动、网络偶发丢包）而剧烈波动。
5. 业务相关性： 指标必须与核心业务目标（如订单转化率、视频播放成功率）强关联。

常见避坑

• 陷阱一： 只采集平均值。平均值会掩盖长尾延迟问题。应优先使用百分位值（如 p50、p95、p99）。
• 陷阱二： 忽略客户端视角。服务端延迟低不代表用户端体验好。网络延迟、DNS 解析、客户端渲染时间都应纳入考量。
• 陷阱三： 过度依赖单一指标。例如，仅用错误率作为 SLI，可能掩盖了延迟飙升但未报错的情况。
• 陷阱四： 指标定义不统一。不同团队对“错误”的定义不同（如 HTTP 4xx 是否算错误），会导致 SLO 台账无法对齐。

2.4 SLI 分类与采集链路映射关系

不同的 SLI 类别需要不同的采集技术和链路设计。理解这种映射关系，是优化采集链路的第一步。

2.5 SLI 定义模板与示例

为了确保 SLI 定义清晰、可复现，建议使用标准模板进行记录。以下是一个推荐模板及示例。

SLI 名称：API 网关 p99 请求延迟
所属类别：请求延迟
测量对象：生产环境 API 网关实例
测量方法：服务端记录请求到达时间与响应完成时间之差
聚合方式：按 1 分钟窗口计算 p99 百分位值
好/坏定义：p99 延迟 <= 500ms 为“好”，> 500ms 为“坏”
采集源：分布式追踪系统 (Jaeger) 的 span 持续时间
采集频率：实时采集，每 10 秒上报一次聚合数据
数据保留：原始数据保留 7 天，聚合数据保留 90 天