📚 课程目录第4章 SLI指标选取与埋点

4. SLI指标选取与埋点：关键业务SLI选取、埋点规范、数据采集管道搭建、数据质量校验

SLI（Service Level Indicator）是SLO工程的“测量仪表”。选错SLI，后续所有误差预算计算、门禁调优都会偏离真实业务。本节从关键业务SLI选取原则出发，依次覆盖埋点规范、数据采集管道和数据质量校验，形成完整的SLI工程化链路。

4.1 关键业务SLI选取原则与分类

SLI选取必须遵循“业务语义对齐”原则：指标要能直接反映用户可感知的可靠性。常见的SLI分类如下：

SLI类别	典型指标	适用场景	埋点位置
可用性	请求成功率、健康检查通过率	API网关、微服务、数据库	入口负载均衡 / 服务端
延迟	P50/P95/P99响应时间	用户交互、搜索、支付	客户端SDK / 服务端中间件
吞吐量	QPS、TPS、并发连接数	高并发场景、流媒体	网关 / 服务端计数器
数据完整性	数据丢失率、写入一致性	订单、支付、日志系统	数据库 / 消息队列
饱和度	CPU/内存/磁盘使用率	容量规划、弹性伸缩	基础设施监控

选取避坑：不要直接使用基础设施指标（如CPU使用率）作为核心SLI。用户不关心CPU，只关心请求是否成功、响应是否够快。基础设施指标应作为辅助信号，用于根因分析，而非SLO计算。

4.2 埋点规范：标准化与可观测性

埋点不规范会导致SLI数据“脏乱差”，误差预算计算失真。推荐采用统一埋点协议，覆盖以下维度：

命名规范：采用 service_name.sli_type.metric_name 格式，例如 payment.availability.success_rate。
标签（Label）规范：必须包含 service、endpoint、method、status_code、env。可选标签如 version、region。
采样策略：高QPS服务（>1000 QPS）采用自适应采样，低QPS服务（<100 QPS）全量采集。
时间戳精度：统一使用毫秒级Unix时间戳，时区对齐UTC。

# 示例：Prometheus 埋点规范
# HELP payment_availability_success_rate 支付服务请求成功率
# TYPE payment_availability_success_rate gauge
payment_availability_success_rate{service="payment", endpoint="/charge", method="POST", status_code="200", env="prod"} 0.9987

常见埋点错误：标签基数爆炸（如将user_id作为标签）、时间戳未对齐、采样率不一致导致聚合偏差。建议在埋点SDK层做标签白名单校验，拒绝非法标签注入。

4.3 数据采集管道搭建

从埋点到SLI计算，需要一条低延迟、高可靠的数据管道。典型架构包含三层：

采集层：使用Agent（如Prometheus Exporter、Telegraf、OpenTelemetry Collector）从服务端拉取或推送指标。
传输层：通过消息队列（Kafka / Pulsar）缓冲削峰，保证数据不丢失。
存储与计算层：时序数据库（VictoriaMetrics / Thanos）存储原始指标，流计算引擎（Flink / Spark Streaming）做窗口聚合，生成SLI时间序列。

  管道关键配置：
  采集间隔：标准服务15s，高敏感服务5s。
Kafka分区数：按服务维度划分，保证同一SLI的时序数据有序。
窗口聚合：使用滑动窗口（如5分钟窗口，1分钟滑动），兼顾实时性与稳定性。

4.4 数据质量校验

数据质量是SLI可信度的基石。必须建立实时+离线双重校验机制：

校验类型	校验项	触发阈值	处理动作
实时校验	数据延迟 > 30s	连续3个窗口	告警 + 自动降级到上一窗口数据
实时校验	数据缺失率 > 5%	单窗口	标记该窗口为“不可信”，不参与SLO计算
离线校验	标签基数异常（超过基线2倍）	每日一次	触发埋点审计，回滚异常标签
离线校验	SLI值与历史同期偏差 > 3σ	每日一次	人工复核，确认是否业务变更

最佳实践：在数据管道中增加“数据质量仪表盘”，实时展示各服务的延迟、缺失率、标签基数。一旦发现异常，立即触发自动暂停该服务的SLO计算，避免误差预算被污染数据“带偏”。

4.5 小结：SLI工程化清单

完成SLI选取与埋点后，建议对照以下清单进行验收：

✅ 每个SLO至少对应1个核心SLI，且SLI与用户感知强相关。
✅ 埋点命名统一、标签白名单已生效、采样策略合理。
✅ 数据管道具备缓冲、削峰、重试机制，端到端延迟<30s。
✅ 实时校验与离线校验均已部署，异常数据自动降级。
✅ 数据质量仪表盘已上线，值班团队可第一时间感知数据异常。