2. SLI 口径定义：构建可观测性的度量基石

SLI（Service Level Indicator，服务等级指标）是服务可靠性最直接的量化表达。但“延迟 200ms”或“成功率 99.5%”这类数字本身没有意义——口径（Measurement Definition）决定了这些数字从哪来、覆盖什么、排除什么。口径定义不清晰，后续的聚合、阈值、SLO 都会产生偏差。

2.1 什么是 SLI 口径

SLI 口径是对一个可观测指标的完整定义，包含：测量对象、测量方法、数据来源、时间窗口以及有效条件。口径决定了“这个数字到底在描述什么”。

例如“API 请求成功率 99.5%”这个 SLI，其口径必须明确：

• 测量对象：所有到达网关的 HTTP 请求（排除健康检查、爬虫流量）
• 成功标准：HTTP 状态码 2xx 或 3xx，且响应体不含业务错误码
• 数据来源：API 网关访问日志（非客户端埋点）
• 时间窗口：滚动 5 分钟窗口，每 1 分钟采样一次

2.2 口径的粒度与范围

口径的粒度（Granularity）和范围（Scope）直接影响 SLI 的敏感度和可操作性。粒度越细，越能定位问题；范围越宽，越能反映整体健康度。

口径的范围还需要明确包含与排除规则：

• 包含：生产环境所有用户流量、内部服务间调用、核心业务流程
• 排除：预发布环境、压测流量、健康检查、已知的灰度实验组、非关键路径（如静态资源）

2.3 常见口径类型

在 SRE 实践中，最常用的三类 SLI 口径是：请求成功率、延迟和错误率。它们覆盖了可用性、性能和正确性三个核心维度。

2.3.1 请求成功率（Availability / Success Rate）

衡量服务是否正常响应请求。口径定义要点：

• 成功定义：HTTP 2xx/3xx + 业务状态码为成功（如 JSON 中 code=0）
• 失败定义：HTTP 5xx、超时、连接拒绝、业务错误码
• 计算方式：成功请求数 / 总请求数 × 100%
• 典型阈值：99.9% ~ 99.99%

2.3.2 延迟（Latency / Response Time）

衡量服务响应速度。口径定义要点：

• 测量点：客户端发起请求到收到完整响应的时间（端到端延迟）
• 聚合方式：通常使用百分位值（p50、p95、p99），而非平均值
• 成功/失败处理：失败请求的延迟是否计入？通常建议计入，因为超时本身就是延迟问题
• 典型阈值：p99 < 200ms（高交互服务），p99 < 1s（批处理服务）

2.3.3 错误率（Error Rate）

衡量请求中发生错误的比例。与成功率互补，但更关注错误类型分布。

• 错误分类：客户端错误（4xx）、服务端错误（5xx）、业务逻辑错误
• 口径粒度：按错误码、按模块、按错误类型分别定义
• 计算方式：错误请求数 / 总请求数 × 100%
• 典型阈值：错误率 < 0.1%（高可靠服务），错误率 < 1%（一般服务）

2.4 三类口径的关系与选择

三类口径并非互斥，而是从不同维度描述服务质量。一个完整的 SLI 体系通常同时包含这三类口径。

2.5 口径定义清单示例

以下是一个实际微服务场景的口径定义模板：