4. 多维度聚合原理：维度定义、聚合函数选择与数据立方体模型
SLI 的原始观测数据通常来自多个维度（服务、实例、地域、版本等）。直接对原始数据进行聚合，会丢失关键的分组信息，导致阈值无法准确反映真实故障范围。多维度聚合的核心在于：先按业务维度切分，再选择合适的聚合函数，最后通过数据立方体模型实现高效的多维分析。
4.1 维度定义：从单点到多维
维度是描述观测数据业务属性的标签。在 SRE 可观测性体系中，最常见的四个维度如下：
| 维度 | 定义 | 典型值示例 | 对 SLI 的影响 |
|---|---|---|---|
| 服务 (Service) | 提供特定功能的微服务或模块 | user-service, payment-gateway |
不同服务的延迟和错误率差异巨大，需独立设置阈值 |
| 实例 (Instance) | 服务的单个运行进程或容器 | pod-abc-123, host-01:8080 |
单实例异常可能被全局平均掩盖，需检测离群实例 |
| 地域 (Region) | 数据中心或云区域 | us-east-1, cn-north-1 |
网络延迟和基础设施故障具有地域性，需按区域聚合 |
| 版本 (Version) | 服务的代码版本或构建号 | v2.1.0, commit-8a3f2b |
新版本发布可能导致性能回退，需对比版本间的 SLI 差异 |
维度选择原则： 维度应具备 可枚举性（值集合有限）和 可操作性（维度值变化能触发告警或自动化动作）。避免使用 UUID 或时间戳等基数过高的字段作为维度。
4.2 聚合函数选择：avg、p99、count 的适用场景
选择错误的聚合函数会导致 SLI 口径失真。以下是三种核心聚合函数的对比：
| 聚合函数 | 数学含义 | 适用场景 | 典型误用 |
|---|---|---|---|
| avg (平均值) | 所有观测值的算术平均 | 资源利用率（CPU、内存）、吞吐量（QPS） | 用于延迟 SLI，会被长尾请求严重拉高，掩盖大部分用户的良好体验 |
| p99 (99 分位值) | 排序后第 99% 位置的观测值 | 延迟 SLI、响应时间、尾延迟敏感业务 | 样本量不足时（<100 个请求），p99 统计意义丧失 |
| count (计数) | 满足特定条件的观测次数 | 错误计数、请求总数、可用性计算（成功/总请求） | 直接对原始错误数设置固定阈值，未归一化为比率 |
聚合函数选择避坑： 对于延迟类 SLI，永远不要使用 avg。p99 能暴露 1% 的慢请求，而 avg 会将这 1% 的异常分散到所有请求中，导致阈值形同虚设。对于可用性 SLI，优先使用
count(success) / count(total) 计算比率，而非直接对错误数设置静态阈值。
4.3 数据立方体模型：多维聚合的数学基础
数据立方体（Data Cube）是多维聚合的底层存储与计算模型。它将维度视为坐标轴，度量值（如延迟、错误数）存储在单元格中。下图展示了三维数据立方体的结构：
数据立方体支持三种聚合操作：
- 上卷 (Roll-up)：沿维度层级向上聚合，例如从“实例”维度上卷到“服务”维度，减少粒度。
- 下钻 (Drill-down)：沿维度层级向下细化，例如从“地域”下钻到“可用区”，增加粒度。
- 切片 (Slice)：固定一个维度的值，观察剩余维度的分布，例如固定版本为
v2.1.0，查看所有服务在各地域的延迟。
4.4 多维度聚合的实践流程
在 SRE 平台中实现多维度聚合通常遵循以下步骤：
- 定义维度字典：明确每个 SLI 需要绑定的维度集合，并确保数据采集端已注入这些标签。
- 选择聚合函数：根据 SLI 类型（延迟、错误、饱和度）选择 avg/p99/count，并确定聚合时间窗口（如 1 分钟、5 分钟）。
- 构建数据立方体：使用时序数据库（如 Prometheus、VictoriaMetrics）或 OLAP 引擎（如 ClickHouse）预聚合多维数据。
- 设置多维度阈值：为每个维度组合（如
service=user-service, region=us-east-1）独立计算基线并设置告警阈值。 - 异常检测与下钻：当全局 SLI 异常时，自动沿维度下钻定位到具体的服务、实例或版本。
关键结论： 多维度聚合不是简单的“分组求平均”，而是通过数据立方体模型，在服务、实例、地域、版本等多个维度上同时进行切片分析。只有将聚合函数（p99/count）与维度切分结合，才能得到真正反映业务真实状态的 SLI 口径，从而提升阈值精度。