Error Budget 的数学原理：基于时间窗口的预算计算方式

Error Budget（错误预算）的核心思想是将 SLO 的达成情况转化为一个可量化的“预算”概念。当服务在 SLO 窗口内累积的错误超过预算时，即触发风险预警。理解其数学原理，是构建燃烧率分析体系的基础。

2.1 核心定义与 30 天滚动窗口

Error Budget 的计算依赖于一个固定的时间窗口，业界最常用的窗口长度为 30 天。这个窗口是“滚动”的，意味着它始终包含最近的 30 天数据，每天向前滑动一天。

• SLO 目标：服务在窗口内必须达到的可用性百分比，例如 99.9%（三个9）。
• 总事件数：窗口内所有有效请求的总数（Total Events）。
• 错误事件数：窗口内不符合 SLO 定义的请求总数（Bad Events）。
• 错误预算：窗口内允许发生的最大错误事件数。

例如，一个 30 天窗口内有 1,000,000 次请求，SLO 为 99.9%，则错误预算为：1,000,000 × (1 - 0.999) = 1,000 次错误。这意味着在任意 30 天滚动窗口内，服务最多只能发生 1,000 次错误。

2.2 预算消耗速率与剩余预算的数学推导

预算消耗速率描述了错误预算被“烧掉”的速度。剩余预算则是当前窗口内尚未被消耗的预算余额。

2.2.1 剩余预算公式

在任意时刻 t，剩余预算的计算方式如下：

剩余预算(t) = 错误预算 - 已消耗预算(t)

其中：

• 错误预算：窗口开始时的总预算（固定值）。
• 已消耗预算(t)：从窗口开始到时刻 t 累积的错误事件数。

当剩余预算降至 0 时，服务即违反了 SLO。

2.2.2 预算消耗速率公式

预算消耗速率（Burn Rate）定义为：单位时间内消耗的预算占窗口总预算的比例。通常以“每小时”或“每分钟”为单位。

消耗速率 = (单位时间内的错误事件数) / (窗口总预算)

例如，如果窗口总预算为 1,000 次错误，而过去 1 小时内发生了 50 次错误，则消耗速率为：50 / 1000 = 0.05 (5%/小时)。

更通用的推导公式如下：

消耗速率 = (单位时间内的错误事件数) / (总事件数 × (1 - SLO))

2.2.3 消耗速率与剩余预算的关系

消耗速率直接决定了剩余预算的衰减速度。如果消耗速率保持恒定，则剩余预算的衰减是线性的。

剩余预算(t) = 错误预算 - (消耗速率 × 错误预算 × t)

其中 t 是窗口内已经过去的时间比例（0 到 1）。

2.3 预算消耗速率与 SLO 违反时间预测

通过消耗速率，我们可以预测在 不改变当前错误率 的情况下，服务将在何时违反 SLO。

预计违反时间 = 窗口长度 / 消耗速率

例如，窗口长度为 30 天，消耗速率为 3.0，则预计违反时间为：30 / 3 = 10 天。

2.4 多窗口燃烧率预警策略

为了平衡预警的及时性与准确性，业界通常采用多窗口策略。Google SRE 实践推荐使用 两个窗口：一个短窗口用于快速响应，一个长窗口用于确认趋势。

预警触发条件：
  条件 A：短窗口（如 1小时）消耗速率 > 阈值（如 14.4）
  条件 B：长窗口（如 6小时）消耗速率 > 阈值（如 2.4）
  当条件 A 和条件 B 同时满足时，触发预警。

这种策略可以过滤掉瞬时尖峰（仅满足条件 A），只有当错误持续发生时（同时满足条件 B），才认为是一个需要关注的事件。

2.5 数学公式总结

以下表格汇总了 Error Budget 计算中的核心数学公式：