4. 错误（Errors）指标详解：错误率定义、HTTP错误码分类、业务错误码、错误预算概念、阈值设定

错误（Errors）是黄金指标的第二个核心支柱。如果说延迟衡量的是“快不快”，那么错误衡量的就是“对不对”。在可观测性体系中，错误不仅仅是HTTP 500状态码，它涵盖了从基础设施到业务逻辑的每一个可能出错的环节。本节将系统性地拆解错误指标的定义、分类、预算机制与阈值设定方法。

4.1 错误率定义：从单点故障到全局视角

错误率是衡量系统健康度的关键比率指标。其核心定义公式为：

错误率 = (错误请求总数 / 总请求数) × 100%

在实际SRE实践中，错误率的计算粒度决定了告警的灵敏度。常见的错误率计算维度包括：

• 全局错误率：所有服务实例的聚合错误率，用于宏观健康度评估。
• 分实例错误率：单个Pod或节点的错误率，用于定位故障域。
• 分接口错误率：特定API端点的错误率，用于精细化监控。
• 分用户错误率：特定用户群体或租户的错误率，用于SLA差异化保障。

4.2 HTTP错误码分类：标准协议层的错误语义

HTTP协议定义了清晰的状态码分类，这是错误指标最直接的来源。SRE需要理解每一类状态码的业务含义，并据此设计告警规则。

4.3 业务错误码：超越HTTP协议的应用层语义

HTTP状态码只能表达传输层的成功或失败，无法描述业务逻辑的成败。例如，一个支付接口返回HTTP 200，但响应体中包含“余额不足”的业务错误码。因此，业务错误码是错误指标体系中不可或缺的一环。

业务错误码的设计原则：

• 唯一性：每个错误场景有唯一的错误码，便于快速定位。
• 可枚举：所有业务错误码应在文档中明确列出，避免出现“其他错误”的兜底码。
• 分级：按严重程度分为WARN（警告）、ERROR（错误）、FATAL（致命）。

典型的业务错误码分类示例：

// 业务错误码响应体示例（JSON）
{
  "code": 2001,
  "message": "库存不足",
  "severity": "ERROR",
  "request_id": "a1b2c3d4-e5f6-7890-abcd-ef1234567890"
}

4.4 错误预算概念：可用性与迭代速度的博弈

错误预算（Error Budget）是Google SRE提出的核心管理概念，它将可用性目标转化为可量化的“错误容忍度”。

核心公式：

错误预算 = 1 - 可用性目标（SLO）
例如：如果SLO为99.9%，则错误预算为0.1%（即每月约43分20秒的不可用时间）

错误预算的消耗与燃尽：

• 每次发生错误（5xx或业务FATAL错误）都会消耗错误预算。
• 当错误预算消耗超过阈值（如剩余不足20%），应触发告警并限制高风险发布。
• 当错误预算耗尽，应触发“冻结期”，停止所有非必要变更，全力修复稳定性。