4. 水位口径定义：什么是水位？水位口径的组成要素
在容量压测与SLO反推体系中，水位（Water Level）是指系统在特定负载下，其关键性能指标相对于预设安全边界的饱和程度。它不是单一的数值，而是一个多维度的状态描述，用于回答“系统当前离故障还有多远”这一核心问题。
核心定义：水位 = 系统在给定负载下，资源利用率、延迟、错误率三个维度距离SLO阈值的归一化距离。
水位口径的建立，是将抽象的“系统容量”转化为可测量、可压测、可预警的工程指标的过程。其组成要素包含三个核心维度：资源利用率（Resource Utilization）、延迟（Latency）、错误率（Error Rate）。三者缺一不可，共同构成完整的水位评估模型。
4.1 资源利用率（Resource Utilization）
资源利用率是水位评估的基础层指标，反映系统对物理或虚拟资源的消耗程度。在压测场景下，通常关注以下关键资源：
| 资源类型 | 典型指标 | 水位阈值参考（基于SLO反推） | 说明 |
|---|---|---|---|
| CPU | CPU利用率（%）、Load Average | 70% ~ 85%（预留缓冲） | 超过85%通常引发延迟抖动 |
| 内存 | 内存使用率（%）、Swap使用量 | 70% ~ 80% | 接近100%触发OOM Killer |
| 磁盘IO | IOPS、磁盘吞吐量、IO等待时间 | 60% ~ 75% 峰值IOPS | IO饱和导致延迟急剧上升 |
| 网络 | 带宽利用率（%）、连接数 | 60% ~ 70% 带宽上限 | 网络拥塞引发丢包和重传 |
实践要点：资源利用率水位不是孤立看单一资源，而是关注短板资源。例如，CPU仅60%但内存已90%，此时水位应由内存决定。在压测中，需同时采集所有资源维度，取最高水位作为资源利用率维度的最终水位。
4.2 延迟（Latency）
延迟是水位评估的体验层指标，直接反映用户感知的服务质量。在SLO反推框架下，延迟水位通常以百分位延迟作为衡量标准：
- P50（中位数延迟）：代表典型用户体验，用于日常水位监控。
- P95（95分位延迟）：代表大多数用户的体验上限，是SLO的常见目标。
- P99（99分位延迟）：代表尾部延迟，反映极端情况下的系统瓶颈。
延迟水位的计算公式为：
延迟水位 = 当前P95延迟 / SLO目标P95延迟 × 100%
示例：
- SLO目标：P95延迟 ≤ 200ms
- 当前压测P95延迟：150ms
- 延迟水位 = 150 / 200 × 100% = 75%
- 解读：延迟维度还有25%的余量，处于安全水位
注意：延迟水位与资源利用率水位存在非线性关系。当资源利用率超过拐点（通常为70%~80%），延迟会呈指数级增长。因此，延迟水位往往比资源利用率更早触及SLO阈值，是更敏感的“前哨指标”。
4.3 错误率（Error Rate）
错误率是水位评估的可用性层指标，直接反映系统是否在正确提供服务。常见的错误类型包括：
- HTTP 5xx：服务端内部错误，如500、502、503。
- 超时错误：请求在指定时间内未得到响应。
- 业务逻辑错误：如库存不足、校验失败等（需根据业务定义）。
错误率水位的计算方式：
错误率水位 = 当前错误率 / SLO允许错误率上限 × 100%
示例：
- SLO目标：错误率 ≤ 0.1%（即99.9%可用性）
- 当前压测错误率：0.05%
- 错误率水位 = 0.05% / 0.1% × 100% = 50%
- 解读：错误率维度还有50%的余量，处于安全水位4.4 综合水位计算模型
三个维度的水位需要聚合为一个综合水位值，用于判断系统是否达到压测终止条件。推荐采用最大值聚合策略：
综合水位 = MAX(资源利用率水位, 延迟水位, 错误率水位)
压测终止条件：综合水位 ≥ 100%
水位口径总结：水位 = MAX(资源利用率/SLO阈值, 延迟/SLO阈值, 错误率/SLO阈值)。当任一维度达到或超过100%时，系统进入危险水位，压测应立即终止或降级。通过这种口径，SRE团队可以量化系统容量边界，为容量规划提供精确的数据支撑。