3. 核心概念：SLI（Service Level Indicator）的定义、分类与选择原则

3.1 SLI 的定义与本质

Service Level Indicator（服务等级指标） 是对服务某个特定维度进行量化测量的原始指标。它是可观测性数据中最基础的“信号”，直接反映系统在请求延迟、吞吐量、错误率、饱和度等方面的真实表现。

SLI 的核心特征：

  • 可测量：必须能够通过工具（如 OpenTelemetry SDK、Prometheus、StatsD）采集到具体数值。
  • 可聚合：支持按时间窗口（如 5 分钟、1 小时）或维度（如服务、实例、地域）进行统计。
  • 面向用户：优先选择直接影响终端用户体验的指标，而非内部实现细节。
关键认知：SLI 是“原始数据”，SLO 是“目标阈值”，SLI 是 SLO 的输入。没有准确的 SLI，SLO 就是空中楼阁。

3.2 SLI 的四大分类（Google SRE 黄金指标）

分类 英文 定义 典型 OpenTelemetry 信号
延迟 Latency 请求从发出到收到完整响应所花费的时间 http.server.duration（Histogram）
流量 Traffic 系统处理的请求数量或数据量 http.server.request_count（Counter）
错误 Errors 请求失败的比率（显式错误 + 隐式错误） http.server.error_count（Counter）
饱和度 Saturation 系统资源被占用的程度，接近瓶颈的程度 process.cpu.utilization、jvm.memory.used（Gauge）
实践要点：
• 延迟 SLI 应关注 高百分位（如 p99、p95），而非平均值。
• 错误 SLI 需包含 隐式错误：如 HTTP 200 但响应体包含错误码、超时未返回等。
• 饱和度 SLI 通常作为 预警指标，在达到 SLO 阈值前提前告警。

3.3 SLI 的选择原则

选择正确的 SLI 是质量门禁建设的第一步。以下是经过大规模生产验证的 5 条核心原则：

  1. 用户视角优先：选择用户能直接感知的指标。例如，API 网关的 p99 延迟比数据库连接池大小更贴近用户体验。
  2. 可观测性覆盖：确保所选 SLI 能被 OpenTelemetry 或其他采集工具完整覆盖，避免“盲区”。
  3. 区分信号与噪声：避免将基础设施级指标（如 CPU 温度）直接作为服务 SLI，除非它直接导致用户可见故障。
  4. 保持精简：每个服务建议选择 3~5 个核心 SLI，过多会导致监控疲劳和告警风暴。
  5. 可操作性：SLI 下降时，团队必须能快速定位根因并采取行动。无法响应的 SLI 是无效的。

3.4 SLI 在质量门禁中的角色

在质量门禁流程中，SLI 是数据校验的起点。OpenTelemetry 采集的原始指标经过以下链路进入门禁：

SLI 在质量门禁中的流转链路 OpenTelemetry 采集原始 SLI 数据预处理 清洗·聚合·对齐 质量门禁引擎 SLI vs SLO 校验 决策输出 通过/阻断/告警 关键说明： • 原始 SLI 必须经过时间窗口对齐（如 5 分钟滑动窗口）才能进入门禁比较。 • 门禁引擎同时校验多个 SLI，任何一项未达标即触发阻断逻辑。 • 决策输出包含详细 SLI 明细，用于事后分析和 SLO 燃烧速率计算。

3.5 常见 SLI 选择示例

服务类型 推荐 SLI OpenTelemetry 指标名示例 采集方式
HTTP API 服务 p99 延迟、错误率、请求量 http.server.duration、http.server.error_ratio OTel SDK 自动插桩
消息队列消费者 消费延迟、处理失败率、积压量 messaging.consumer.lag、messaging.consumer.error_count OTel SDK + 自定义指标
数据库服务 查询延迟、连接池使用率、慢查询数 db.client.duration、db.client.connections.usage OTel 数据库插件
批处理作业 作业完成率、处理时长、失败重试次数 job.completion.ratio、job.duration 自定义 OTel 指标
常见误区：不要将“所有可采集的指标”都定义为 SLI。SLI 是经过筛选的、与用户承诺直接挂钩的关键指标。过多的 SLI 会导致门禁规则复杂化，降低运维效率。

3.6 SLI 与 OpenTelemetry 的数据模型映射

OpenTelemetry 使用三种核心信号类型承载 SLI：

  • Counter（计数器）：适用于流量、错误数等单调递增的 SLI。例如 http.server.request_count。
  • Histogram（直方图）：适用于延迟 SLI，支持计算 p50/p90/p99 等百分位。例如 http.server.duration。
  • Gauge（仪表盘）：适用于饱和度 SLI，反映当前瞬时值。例如 process.cpu.utilization。
// OpenTelemetry 定义延迟 SLI 的典型代码片段（Java SDK）
Histogram requestDuration = meter
    .histogramBuilder("http.server.duration")
    .setUnit("ms")
    .setDescription("HTTP 请求延迟分布")
    .setExplicitBucketBoundariesAdvice(List.of(5.0, 10.0, 25.0, 50.0, 100.0, 250.0, 500.0, 1000.0, 2500.0, 5000.0))
    .build();

// 记录请求延迟
requestDuration.record(durationMs, Attributes.of(
    AttributeKey.stringKey("http.method"), "GET",
    AttributeKey.stringKey("http.route"), "/api/v1/orders"
));

通过合理选择 SLI 分类、遵循选择原则、并与 OpenTelemetry 数据模型对齐，团队可以构建出既精确又实用的质量门禁校验体系。

← 上一章 📖 返回目录 下一章 →