4. 误差预算台账概述
误差预算台账（Error Budget Ledger）是SRE体系中用于记录、追踪和审计SLO消耗与剩余的核心数据载体。它并非简单的数值快照，而是一套带有时间戳、标签、计算过程和决策上下文的时序化记录系统。台账的精度直接决定了SRE团队能否准确判断服务健康状态、触发告警以及执行故障响应。
4.1 台账的定义与核心要素
误差预算台账是对服务等级目标（SLO）实际消耗情况的逐周期、可审计的记录。它包含以下核心字段：
| 字段 | 说明 | 示例 |
|---|---|---|
| 时间窗口 | 台账对应的滚动窗口（如28天、7天） | 2025-04-01T00:00:00Z ~ 2025-04-28T23:59:59Z |
| SLI名称 | 被测量的服务等级指标 | api_request_latency_99th |
| SLO目标 | 约定的目标值（百分比） | 99.9% |
| 总事件数 | 窗口内所有有效请求/事件总数 | 10,000,000 |
| 不良事件数 | 违反SLO阈值的事件数 | 12,500 |
| 实际SLI | 当前实际达成率 | 99.875% |
| 误差预算消耗 | 已消耗的预算百分比 | 12.5% |
| 剩余预算 | 剩余可用预算百分比 | 87.5% |
| 计算时间 | 台账生成/更新的时间戳 | 2025-04-28T23:59:59Z |
关键认知：台账不是实时仪表盘上的瞬时值，而是带有计算上下文的历史记录。它允许SRE团队回溯“为什么在某个时间点触发了告警”，以及“当时的预算计算是否准确”。
4.2 台账在SRE决策中的作用
误差预算台账是连接SLI采集与SRE行动决策的桥梁。其作用体现在三个层次：
- 量化风险暴露：通过剩余预算百分比，直观反映服务距离违反SLO还有多少“容错空间”。剩余预算越低，风险敞口越大。
- 指导发布与变更：当剩余预算充足（如 > 50%）时，可以安全地进行新功能发布或架构变更；当预算紧张（如 < 20%）时，应冻结变更，优先恢复稳定性。
- 驱动容量规划：长期趋势显示预算消耗速度加快，意味着需要扩容或优化性能，以避免未来SLO违约。
决策矩阵示例：
- 剩余预算 > 50%：正常发布节奏，可接受中等风险变更。
- 剩余预算 20% ~ 50%：限制高风险变更，仅允许低风险发布。
- 剩余预算 < 20%：冻结所有变更，启动应急响应流程。
- 剩余预算 ≤ 0%：SLO已违反，立即执行故障恢复预案。
4.3 台账精度对告警与故障响应的影响
台账精度直接决定了告警的准确性和故障响应的时效性。精度不足会导致以下典型问题：
- 告警延迟：由于SLI采集链路存在延迟（如日志批处理间隔5分钟），台账更新滞后，导致预算耗尽告警晚于实际违约时间，延长了MTTR。
- 误告警与漏告警：台账计算周期过长（如每小时计算一次），在两次计算之间可能发生突发流量，导致实际预算已耗尽但台账显示仍有余额（漏告警）；反之，采集抖动导致不良事件计数异常，触发虚假告警。
- 故障响应误判：不精确的台账使值班工程师无法判断当前故障的严重程度。例如，台账显示剩余预算为30%，但实际由于采集缺失，真实剩余预算可能已接近0%，导致响应级别被低估。
- 事后审计困难：低精度台账缺乏细粒度时间戳和计算上下文，在故障复盘时无法准确还原预算消耗的时间线，难以定位根因。
实践警示：某大型电商平台曾因SLI采集链路使用5分钟聚合窗口，导致误差预算台账更新滞后。在一次流量突增中，实际SLO已在3分钟内被违反，但台账在5分钟后才显示预算耗尽，告警延迟了整整2分钟，最终导致故障影响范围扩大30%。事后优化为1分钟窗口+实时流计算，告警延迟降至10秒以内。
4.4 台账精度的度量维度
为了量化台账精度，SRE团队应从以下四个维度建立度量指标：
| 维度 | 度量指标 | 理想值 | 低精度影响 |
|---|---|---|---|
| 时效性 | 台账更新延迟（秒） | < 30s | 告警延迟，响应滞后 |
| 完整性 | 数据缺失率（%） | < 0.1% | 预算计算偏差，漏告警 |
| 一致性 | 多数据源台账偏差（%） | < 0.5% | 决策冲突，信任度下降 |
| 可审计性 | 台账记录可回溯天数 | ≥ 90天 | 故障复盘困难，合规风险 |
4.5 台账精度优化的核心目标
基于上述分析，本课程后续章节将围绕以下目标展开SLI采集链路优化：
- 降低台账更新延迟：通过流式计算替代批处理，将延迟从分钟级降至秒级。
- 消除数据缺失与重复：引入去重机制和补点策略，确保台账完整性。
- 统一多数据源台账：建立标准化台账计算管道，消除多源偏差。
- 增强台账可审计性：记录每次计算的输入、中间结果和输出，支持任意时间点回溯。