1. SLI 基础概念
1.1 定义 SLI（Service Level Indicator）
SLI（Service Level Indicator，服务等级指标） 是对服务某个特定维度进行量化的可测量指标。它回答一个核心问题：“服务当前表现如何？”。SLI 必须是可采集、可计算、可对比的数值，通常以比率、延迟、吞吐量或错误计数等形式呈现。
SLI 的典型特征：
- 可测量性：能从监控系统或日志中直接采集或计算得出。
- 可对比性：在不同时间窗口、不同版本或不同集群之间能进行横向比较。
- 业务相关性：指标必须反映用户真实体验或系统关键行为。
- 可聚合性：支持按时间、标签、维度进行多层级聚合。
常见的 SLI 类型包括：
| SLI 类型 | 定义 | 典型示例 |
|---|---|---|
| 可用性 | 服务正常响应请求的时间占比 | HTTP 200/5xx 比率 ≥ 99.9% |
| 延迟 | 请求从发出到收到响应的时间 | P99 延迟 ≤ 200ms |
| 吞吐量 | 单位时间内处理的请求数量 | QPS ≥ 10,000 |
| 错误率 | 失败请求占总请求的比例 | 错误率 ≤ 0.1% |
| 饱和度 | 资源使用接近上限的程度 | CPU 使用率 ≤ 80% |
1.2 SLI 与 SLO / SLA 的关系
SLI、SLO、SLA 三者构成服务等级管理的核心链条，缺一不可。理解它们之间的层级关系是构建可靠可观测体系的基础。
| 概念 | 英文全称 | 核心定义 | 回答的问题 |
|---|---|---|---|
| SLI | Service Level Indicator | 服务表现的可测量指标 | “服务现在怎么样？” |
| SLO | Service Level Objective | SLI 的目标阈值或范围 | “服务应该达到什么水平？” |
| SLA | Service Level Agreement | 与服务等级相关的正式合同承诺 | “达不到目标会怎样？” |
核心关系公式：
没有精确的 SLI，SLO 就是空头支票；没有合理的 SLO，SLA 就是无源之水。
SLI（实际测量值）→ 对比 SLO（目标阈值）→ 决定 SLA（合规/违约）没有精确的 SLI，SLO 就是空头支票；没有合理的 SLO，SLA 就是无源之水。
1.3 SLI 在可观测性中的核心地位
可观测性（Observability）的三大支柱——指标（Metrics）、日志（Logs）、链路追踪（Traces）——最终都需要通过 SLI 来量化服务的健康状态。SLI 是连接原始数据与业务决策的桥梁。
SLI 在可观测性中的关键作用：
- 统一量化语言：将分散的监控数据转化为统一的“健康分数”，便于跨团队沟通。
- 告警触发基准：SLI 阈值直接决定告警是否触发，避免告警风暴或漏报。
- 容量规划依据：通过 SLI 趋势预测资源瓶颈，指导扩缩容决策。
- 故障定位锚点：SLI 异常变化可快速缩小排查范围，关联日志和链路数据。
- 持续改进驱动：SLI 的长期趋势反映系统演进质量，驱动架构优化。
以下表格对比了 SLI 与可观测性三大支柱的协作关系：
| 可观测性支柱 | 与 SLI 的协作方式 | 典型场景 |
|---|---|---|
| 指标（Metrics） | SLI 直接来源于指标聚合，如请求计数、延迟分布 | Prometheus 采集 QPS 和错误率，计算可用性 SLI |
| 日志（Logs） | 日志解析后生成 SLI，如错误日志比率 | ELK 解析 5xx 日志，计算错误率 SLI |
| 链路追踪（Traces） | 追踪数据提供端到端延迟 SLI，识别慢调用 | Jaeger 分析 P95/P99 延迟，生成延迟 SLI |
常见误区： 很多团队将原始指标直接当作 SLI 使用，忽略了“业务相关性”和“维度聚合”两个关键步骤。例如，仅监控 CPU 使用率而不聚合到用户请求维度，无法真实反映服务质量。SLI 必须经过“业务语义映射”和“多维度聚合”才能成为有效的服务等级指标。