4. 阈值复核的核心指标：消耗速率、剩余预算、预计耗尽时间、趋势斜率

阈值复核不是简单的数字比对，而是对资源消耗动态过程的量化评估。SRE 需要从四个核心维度建立分析框架：消耗速率（Burn Rate）、剩余预算（Remaining Budget）、预计耗尽时间（Time to Depletion）和趋势斜率（Trend Slope）。这四个指标构成一个闭环，缺一不可。

4.1 消耗速率（Burn Rate）

消耗速率定义为单位时间内预算消耗量。在 SRE 实践中，通常以“每小时的错误预算消耗百分比”或“每分钟的请求错误率”来衡量。

4.2 剩余预算（Remaining Budget）

剩余预算表示在周期结束前，系统还能承受多少错误或资源消耗。它是阈值复核的“存量”维度，直接决定告警的紧急程度。

• 错误预算剩余：（1 - 当前错误率）× 总预算 × 剩余时间比例
• 成本预算剩余： 总预算 - 已消耗成本
• 资源容量剩余： 资源上限 - 当前使用量

阈值复核时，需要将剩余预算与消耗速率进行对比：

# 伪代码：基于剩余预算的告警阈值复核
remaining_budget = get_remaining_budget()
burn_rate = get_burn_rate(window='1h')
time_to_depletion = remaining_budget / burn_rate

if time_to_depletion < alert_threshold_hours:
    trigger_alert("剩余预算将在 {} 小时内耗尽".format(time_to_depletion))
elif time_to_depletion < warning_threshold_hours:
    trigger_warning("预算消耗速度过快，建议复核阈值")

4.3 预计耗尽时间（Time to Depletion）

预计耗尽时间是将消耗速率与剩余预算结合后得出的关键预测指标。它回答了“按照当前速率，预算还能撑多久”的问题。

4.4 趋势斜率（Trend Slope）

趋势斜率衡量消耗速率的变化方向与速度。它是阈值复核的“加速度”维度，帮助 SRE 判断当前消耗是暂时波动还是持续恶化。

• 正斜率：消耗速率在加速，预算消耗越来越快（危险信号）
• 负斜率：消耗速率在减速，系统正在恢复（安全信号）
• 零斜率：消耗速率稳定，线性消耗（可预测）

趋势斜率的计算通常使用线性回归或指数平滑：

# 使用简单线性回归计算趋势斜率
import numpy as np

def calculate_trend_slope(data_points):
    """
    data_points: 最近 N 个时间点的消耗速率列表
    返回: 斜率值（正数表示加速，负数表示减速）
    """
    x = np.arange(len(data_points))
    y = np.array(data_points)
    slope, intercept = np.polyfit(x, y, 1)
    return slope

# 示例：最近 6 小时的消耗速率
recent_rates = [1.2, 1.5, 1.8, 2.1, 2.5, 3.0]  # %/h
slope = calculate_trend_slope(recent_rates)
print(f"趋势斜率: {slope:.2f} %/h²")  # 输出正斜率，表示加速消耗

4.5 四维指标联合分析矩阵

在实际阈值复核中，需要将四个指标组合成分析矩阵，快速判断当前状态：

4.6 阈值复核的量化决策流程

基于四个核心指标，SRE 可以建立标准化的阈值复核决策流程：

1. 采集四维数据：获取当前消耗速率、剩余预算、预计耗尽时间、趋势斜率
2. 计算安全余量：安全余量 = 预计耗尽时间 - 告警响应时间 - 恢复时间
3. 斜率修正：如果趋势斜率为正，将预计耗尽时间乘以修正系数（如 0.8）
4. 阈值对比：将修正后的预计耗尽时间与当前告警阈值进行比较
5. 输出结论：阈值偏松、偏紧或合理，并给出调整建议

# 阈值复核决策函数
def threshold_review(burn_rate, remaining_budget, trend_slope, alert_threshold_hours):
    # 1. 计算基础预计耗尽时间
    if burn_rate <= 0:
        return "无消耗，阈值无需调整"
    base_time = remaining_budget / burn_rate

    # 2. 斜率修正
    if trend_slope > 0:
        correction_factor = max(0.5, 1 - trend_slope * 0.1)
        adjusted_time = base_time * correction_factor
    else:
        adjusted_time = base_time

    # 3. 阈值对比
    ratio = adjusted_time / alert_threshold_hours
    if ratio < 0.8:
        return "阈值偏松，建议收紧 {}%".format(int((1 - ratio) * 100))
    elif ratio > 1.2:
        return "阈值偏紧，建议放宽 {}%".format(int((ratio - 1) * 100))
    else:
        return "阈值合理，无需调整"