📚 课程目录第4章错误（Errors）深度解析

4. 错误（Errors）深度解析：错误率的计算方式、HTTP错误码分类、业务错误与系统错误的区分

错误（Errors）是 Golden Signals 中直接反映服务质量受损的信号。与延迟的渐进式劣化不同，错误通常意味着请求处理失败或返回了不符合预期的结果。本节将深入解析错误率的精确计算方式、HTTP 错误码的分类体系，以及业务错误与系统错误的本质区别。

4.1 错误率的计算方式

错误率并非简单的“失败请求数 / 总请求数”。在 SRE 实践中，需要根据不同的观测粒度定义分母和分子，以确保指标能够真实反映用户体验。

计算维度	分母（总请求数）	分子（错误数）	典型场景
全局错误率	所有进入系统的请求	所有返回 5xx、4xx（除特定豁免）的请求	整体服务健康度大盘
端点级错误率	特定 API 路径的请求数	该路径返回非 2xx/3xx 的请求数	精细化排查单接口故障
用户感知错误率	用户发起的有效会话请求	用户侧感知到的失败（含超时、网络中断）	客户端埋点监控
滑动窗口错误率	过去 N 分钟内的请求总数	过去 N 分钟内的错误总数	实时告警与动态阈值

  关键公式： 错误率（%）=（错误请求数 / 有效总请求数）× 100%。

  注意： 分母应排除健康检查、爬虫等非用户流量，避免稀释错误率。

4.2 HTTP 错误码分类与映射

HTTP 状态码是衡量 Web 服务错误最直接的信号。SRE 需要将状态码映射到具体的故障类型，以便快速定位根因。

1xx（信息性）： 通常不计入错误率，如 101 Switching Protocols。
2xx（成功）： 正常响应，不计入错误。
3xx（重定向）： 通常视为成功，但需关注重定向链是否异常。
4xx（客户端错误）：
- 400 Bad Request： 请求格式错误，通常由客户端触发。
- 401/403 Unauthorized/Forbidden： 鉴权失败，需区分是用户输入错误还是系统权限配置问题。
- 404 Not Found： 资源不存在，可能是客户端错误或服务端路由配置缺失。
- 429 Too Many Requests： 限流触发，属于服务端主动保护行为，应单独监控。
5xx（服务端错误）：
- 500 Internal Server Error： 通用服务端故障，需结合日志分析。
- 502 Bad Gateway： 上游服务不可用，常见于网关与后端连接失败。
- 503 Service Unavailable： 服务过载或正在维护，通常与容量相关。
- 504 Gateway Timeout： 上游响应超时，需排查网络或后端处理能力。

避坑指南： 不要将所有 4xx 都视为系统错误。例如，用户输入错误的密码导致 401，属于业务预期内的错误，不应计入系统错误率。但 429 限流错误应纳入系统错误监控，因为它反映了容量瓶颈。

4.3 业务错误与系统错误的区分

这是错误信号设计中最容易被忽视的环节。系统错误（如 5xx）代表基础设施或代码缺陷，而业务错误（如“余额不足”、“商品已下架”）代表业务逻辑的预期反馈。两者必须分开度量。

4.4 错误信号设计最佳实践

分层定义错误率： 为系统错误和业务错误分别定义独立的 SLI 和 SLO。例如：系统错误率 < 0.1%，业务错误率 < 5%。
使用错误预算： 将系统错误消耗的错误预算与业务错误消耗的错误预算分开管理，避免业务逻辑变更影响基础设施稳定性评估。
精细化告警规则： 对 5xx 错误设置即时告警（如 1 分钟内错误率 > 1%）；对 4xx 错误设置趋势告警（如 30 分钟内错误率持续上升）。
错误码标准化： 在 API 响应体中统一返回 error_code 字段，便于自动化分类和聚合。

实战建议： 在日志系统中为业务错误和系统错误打上不同的标签（如 error_type: business 和 error_type: system），配合 Prometheus 的 label 进行多维聚合，可以快速生成错误分布热力图。

4.5 错误率计算代码示例

以下是一个基于 PromQL 的错误率计算示例，区分了系统错误和业务错误：

# 系统错误率（基于HTTP 5xx状态码）
rate(http_requests_total{status=~"5.."}[5m])
/
rate(http_requests_total[5m])
* 100

# 业务错误率（基于自定义业务错误码，假设业务错误码以 1000 开头）
rate(http_requests_total{error_code=~"1..."}[5m])
/
rate(http_requests_total[5m])
* 100

# 总错误率（系统错误 + 业务错误，排除健康检查）
(
  rate(http_requests_total{status=~"5..", endpoint!="/health"}[5m])
  +
  rate(http_requests_total{error_code=~"1...", endpoint!="/health"}[5m])
)
/
rate(http_requests_total{endpoint!="/health"}[5m])
* 100