3. Metric设计原则：黄金信号（延迟、流量、错误、饱和度）的深度解读

在构建服务画像健康度模型时，Metric 的设计是决定模型有效性的基石。Google SRE 团队提出的“黄金信号”（The Four Golden Signals）——延迟（Latency）、流量（Traffic）、错误（Errors）、饱和度（Saturation）——是经过大规模生产环境验证的通用框架。本节将深度解读每个信号的设计意图、采集粒度、常见陷阱及在健康度模型中的映射方式。

3.1 黄金信号全景：从四个维度定义服务健康

黄金信号并非简单的四个指标，而是四个观测维度。每个维度都对应着服务健康的不同剖面，缺失任何一个维度都可能导致盲区。下表总结了四个信号的核心关注点与典型指标：

3.2 延迟（Latency）：用户体验的标尺

延迟是用户最直接的感知。设计延迟 Metric 时，必须区分成功请求与失败请求的延迟。失败请求通常返回极快（如连接拒绝），如果混入统计，会掩盖真实慢请求问题。

• 分位数选择： 推荐使用 p50（中位数） 反映典型体验，p99（99 分位） 反映长尾问题。避免仅使用平均值，平均值对异常值不敏感。
• 区分服务端与客户端延迟： 服务端延迟（处理时间）与客户端延迟（网络+处理）需分开采集，便于定位瓶颈。
• 健康度阈值： 延迟阈值应基于历史基线动态调整，而非固定值。例如，p99 延迟超过基线 2 倍时触发告警。

3.3 流量（Traffic）：系统负载的晴雨表

流量信号反映系统当前承受的压力。设计流量 Metric 时，不仅要关注总量，还要关注流量模式（突发、周期性、趋势）。

• 核心指标： 每秒请求数（QPS/RPS）、每秒事务数（TPS）、活跃连接数、带宽吞吐量。
• 维度拆分： 按接口、客户端类型、地域、版本等维度拆分流量，便于识别异常流量来源。
• 健康度应用： 流量突增可能触发限流，流量突降可能暗示上游故障。健康度模型应将流量变化率（如 5 分钟环比）作为辅助信号。

3.4 错误（Errors）：可用性的直接体现

错误信号是服务可用性的最直观度量。设计错误 Metric 时，必须区分显式错误与隐式错误。

3.5 饱和度（Saturation）：容量危机的预警信号

饱和度是四个信号中最接近容量瓶颈的维度。它衡量系统资源被消耗的程度，通常表现为资源使用率或队列深度。

• 资源类型： CPU、内存、磁盘 IO、网络带宽、连接池（数据库/缓存/线程池）、文件描述符。
• 关键设计原则： 饱和度指标应选择最受限的资源（即瓶颈资源）。例如，IO 密集型服务的饱和度指标是磁盘 IO 等待时间，而非 CPU 使用率。
• 健康度阈值： 饱和度阈值通常设置为 70%-80% 作为预警线，90% 作为告警线。但需结合服务特性调整，例如内存密集型服务可能 80% 即触发 OOM。

3.6 黄金信号在健康度模型中的协同

四个黄金信号并非孤立存在，它们之间存在因果关系。例如：

• 流量上升 → 饱和度上升 → 延迟增加 → 错误率上升。
• 健康度模型应利用这种关联性进行根因定位：当错误率告警时，优先检查延迟和饱和度，而非直接排查代码。