3. SLO台账设计原则：台账字段设计
SLO台账是Error Budget管理的核心载体，其字段设计直接决定了故障排查的效率和准确性。一个设计良好的台账，应当让SRE在5分钟内定位到“哪个SLI在消耗预算、消耗速率是否异常、是否需要触发告警”。本章围绕台账的五个关键字段展开：SLI类型、目标值、窗口期、当前消耗率、告警阈值。
3.1 字段总览与设计原则
台账字段设计遵循“可量化、可追溯、可预警”三大原则。每个字段必须服务于一个具体的运维决策场景，避免冗余字段。下表列出五个核心字段及其设计要点：
| 字段名称 | 设计目的 | 常见取值/格式 | 故障排查中的作用 |
|---|---|---|---|
| SLI类型 | 明确衡量对象（可用性、延迟、吞吐量等） | availability / latency / throughput / correctness | 快速区分故障类型：是服务不可用，还是性能劣化 |
| 目标值 | 定义“好”与“坏”的边界 | 99.9% / 99.99% / 100ms (p99) | 计算Error Budget总量，判断剩余预算是否充足 |
| 窗口期 | 设定预算累积的时间范围 | 30d / 7d / 1d | 决定预算消耗的平滑程度，影响告警灵敏度 |
| 当前消耗率 | 实时监控预算消耗速度 | 0.05%/h / 1.2%/d | 判断当前故障是否在加速消耗预算 |
| 告警阈值 | 设定触发告警的预算消耗水位 | 70% / 90% / 100% | 提前预警，避免预算耗尽导致SLO违约 |
3.2 SLI类型：定义“好”的衡量标准
SLI类型是台账的“主语”，决定了后续所有字段的计算基础。常见的SLI类型包括：
- 可用性（Availability）：请求成功数 / 总请求数。适用于核心API、数据库、网关。
- 延迟（Latency）：通常以p50、p95、p99分位值衡量。适用于用户感知敏感的服务。
- 吞吐量（Throughput）：每秒请求数（RPS）或每秒处理事件数（EPS）。适用于批处理、流处理系统。
- 正确性（Correctness）：数据一致率、计算准确率。适用于交易、计费、数据管道。
设计原则：一个SLO只绑定一个SLI类型。混合类型（如“可用性+延迟”）会导致Error Budget计算逻辑混乱，无法定位根因。
3.3 目标值：设定Error Budget的“总预算”
目标值决定了Error Budget的总量。例如，目标值99.9%意味着在窗口期内允许0.1%的“坏”事件。目标值的设计需考虑：
- 业务容忍度：核心交易链路目标值应高于99.99%，非关键服务可设为99.9%。
- 技术可行性：目标值越高，对基础设施的冗余要求越高，成本呈指数增长。
- 用户感知：目标值应反映真实用户体验，而非理想值。
目标值在台账中通常以百分比或具体数值（如延迟阈值）存储，并作为Error Budget计算的基准线。
3.4 窗口期：控制预算消耗的“时间尺度”
窗口期定义了Error Budget的累积周期。常见窗口期及其适用场景：
| 窗口期 | 特点 | 适用场景 | 故障排查影响 |
|---|---|---|---|
| 30天（滚动） | 平滑短期波动，反映长期趋势 | 核心服务、对外SLA承诺 | 故障影响会被稀释，适合慢性问题排查 |
| 7天（滚动） | 平衡灵敏度与稳定性 | 内部服务、中等关键度 | 能较快反映近期故障，适合周级复盘 |
| 1天（固定） | 高灵敏度，快速反映故障 | 实验性服务、发布验证 | 故障立即体现在预算消耗中，适合快速告警 |
设计原则：窗口期应与业务复盘的频率对齐。例如，月度SLA承诺的服务使用30天窗口，而发布验证阶段使用1天窗口。
3.5 当前消耗率：实时监控预算“燃烧速度”
当前消耗率是台账中最动态的字段，计算公式为：
当前消耗率 = (窗口期内已消耗的Error Budget) / (窗口期总时间) × 100%消耗率通常以“%/小时”或“%/天”为单位。在故障排查中，消耗率的变化趋势比值更重要：
- 消耗率突增：通常对应突发故障，需立即响应。
- 消耗率缓慢上升：可能对应资源泄漏、慢查询等慢性问题。
- 消耗率持续为0：可能SLI采集异常或目标值设置过低。
3.6 告警阈值：设置预算消耗的“警戒水位”
告警阈值定义了触发通知的预算消耗水位。常见阈值设计模式：
| 阈值级别 | 消耗水位 | 响应动作 | 示例 |
|---|---|---|---|
| 警告（Warning） | 70% | 创建Jira工单，通知值班SRE | Error Budget剩余30%，需关注趋势 |
| 严重（Critical） | 90% | 触发PagerDuty告警，立即介入 | Error Budget即将耗尽，需紧急止损 |
| 违约（Breach） | 100% | 启动故障复盘，触发SLA违约流程 | Error Budget已耗尽，SLO已违反 |
设计原则：告警阈值应预留足够的响应时间。例如，若消耗率为1%/h，从70%到100%有30小时响应窗口；若消耗率为5%/h，则只有6小时，需考虑更激进的阈值（如50%警告）。
3.7 台账字段关系图
下图展示了五个字段之间的逻辑关系，以及它们在Error Budget消耗分析中的协作流程：
3.8 字段设计避坑指南
根据实际运维经验，以下为台账字段设计中的常见错误及改进建议：
- 错误1：SLI类型过于笼统。例如只写“性能”，未区分延迟和吞吐量。应拆分为独立的SLO台账。
- 错误2：目标值设置过高或过低。99.999%的目标值会导致Error Budget过小，频繁触发告警；99%的目标值则可能掩盖真实故障。
- 错误3：窗口期与告警阈值不匹配。30天窗口下使用10%告警阈值，会导致告警过于敏感；1天窗口下使用90%阈值，则响应时间不足。
- 错误4：当前消耗率未归一化。不同窗口期的消耗率不能直接比较，应统一换算为“%/小时”或“%/天”。
- 错误5：告警阈值固定不变。未考虑业务高峰期（如大促）的消耗率变化，应引入动态阈值或分时段阈值。
3.9 台账字段设计检查清单
在创建或评审SLO台账时，可使用以下清单逐项确认：
- SLI类型：是否明确且唯一？是否与监控指标一一对应？
- 目标值：是否基于历史数据或业务需求设定？是否留有合理余量？
- 窗口期：是否与SLA承诺周期一致？是否考虑了故障恢复时间？
- 当前消耗率：计算逻辑是否清晰？是否支持实时更新？
- 告警阈值：是否设置了多级阈值？是否预留了足够的响应时间？
- 字段联动：各字段之间是否存在逻辑冲突？例如，窗口期过短但目标值过高，导致Error Budget几乎为0。
通过以上设计原则和检查清单，SRE团队可以构建出清晰、可操作的SLO台账，为后续的Error Budget消耗分析和故障排查奠定坚实基础。