error budget消耗分析：SLO台账故障排查思路 - 第1节

1.1 从用户感受到工程指标：SLO 的核心定位

在可观测性与 SRE 实践中，SLO（Service Level Objective，服务等级目标）是连接用户体验与工程运维的“契约线”。它不是一个单纯的百分比数字，而是团队对用户承诺的量化表达。要理解 SLO，必须先厘清它与 SLI、Error Budget 的三角关系。

1.1.1 三要素定义速览

1.1.2 三者的层级关系

SLI 是原始观测数据，SLO 是目标边界，Error Budget 是管理工具。三者形成从“测量”到“承诺”再到“行动”的闭环：

• SLI → SLO： 从原始指标中选取最能反映用户体验的维度，设定目标阈值。
• SLO → Error Budget： 用 1 − SLO 计算出可容忍的故障时间或错误比例。
• Error Budget → 决策： 消耗速度决定发布节奏与故障响应优先级。

1.2 Error Budget：从数学定义到工程行动

1.2.1 数学定义与计算示例

Error Budget 的计算基于 SLO 与时间窗口。以最常见的“月度可用性”为例：

Error Budget（分钟） = 总分钟数 × (1 − SLO)

示例：
SLO = 99.9%（三个9）
月度总分钟 = 30天 × 24小时 × 60分钟 = 43,200 分钟
Error Budget = 43,200 × (1 − 0.999) = 43.2 分钟

含义：该服务每月最多允许 43.2 分钟处于“不符合 SLO”的状态。

1.2.2 不同 SLO 级别的 Error Budget 对比

1.3 SLI 的选择：Error Budget 的“测量探头”

Error Budget 的质量完全取决于 SLI 的选择。如果 SLI 不能反映真实用户体验，Error Budget 就只是一个数字游戏。SRE 实践中推荐以下四类黄金信号 SLI：

• 延迟（Latency）： 请求响应时间，通常取 P50/P95/P99。
• 流量（Traffic）： 每秒请求数（RPS）或并发连接数。
• 错误（Errors）： HTTP 5xx、超时、业务错误码。
• 饱和度（Saturation）： CPU/内存/连接池使用率。

1.4 核心关系总结：Error Budget 是 SRE 的“油门与刹车”

理解 SLO 与 Error Budget 的关系，是后续故障排查与台账分析的基础。以下表格总结了三个核心概念在 SRE 工作流中的角色差异：