4. Error Budget 基础概念：定义、计算公式、消耗与补充机制

Error Budget（错误预算）是 SRE 实践中的核心量化工具，它将系统可靠性从“尽可能高”的模糊目标转化为可度量、可交易、可决策的工程指标。理解 Error Budget 的定义、计算、消耗与补充机制，是实施质量门禁与 SLI 口径治理的前提。

4.1 Error Budget 的定义

Error Budget 是服务所有者在一个时间窗口内（通常为 28 天或 30 天）允许系统发生故障或性能降级的最大累积时间（或事件次数）。它本质上是 100% 与 SLO 目标之间的差值 所对应的“可容忍错误量”。

4.2 Error Budget 计算公式

Error Budget 的计算基于 SLO 目标与时间窗口。标准公式如下：

Error Budget = 总时间窗口长度 × (1 - SLO 目标)

其中：
- 总时间窗口长度：通常为 28 天（40320 分钟）或 30 天（43200 分钟）
- SLO 目标：以小数表示（如 99.9% = 0.999）
- 结果单位：与时间窗口单位一致（分钟、秒或请求次数）

按请求次数计算的变体：

Error Budget (请求数) = 总请求数 × (1 - SLO 目标)

示例：月总请求 1,000,000 次，SLO 99.9%
Error Budget = 1,000,000 × 0.001 = 1,000 次错误请求

4.3 Error Budget 消耗机制

Error Budget 的消耗是持续累积的过程。每当系统发生不符合 SLO 的事件（如请求超时、5xx 错误、响应过慢），就会消耗预算。消耗速率取决于错误发生的频率和持续时间。

消耗规则要点：

• 实时扣减： 每个不符合 SLO 的请求或时间片都会立即扣减预算。
• 累积效应： 消耗量在窗口内持续累加，不因后续好事件而回退。
• 消耗速率： 由错误率决定。错误率越高，预算消耗越快。
• 阈值告警： 通常设置消耗 50%、75%、90% 等告警水位线。

4.4 Error Budget 补充机制

Error Budget 的补充机制与时间窗口的滚动方式密切相关。常见的补充策略有两种：

4.5 消耗与补充的协同示例

以下是一个 30 天窗口、SLO 99.9% 的 Error Budget 生命周期示例：

初始预算：30天 × 1440分钟 × 0.1% = 43.2 分钟

第 5 天：发生 5 分钟故障 → 消耗 5 分钟 → 剩余 38.2 分钟（88.4%）
第 12 天：持续 3 分钟延迟超标 → 消耗 3 分钟 → 剩余 35.2 分钟（81.5%）
第 18 天：发布新版本导致 8 分钟 5xx 错误 → 消耗 8 分钟 → 剩余 27.2 分钟（63.0%）
第 25 天：基础设施抖动 2 分钟 → 消耗 2 分钟 → 剩余 25.2 分钟（58.3%）

第 30 天结束：窗口滚动，预算重置为 43.2 分钟（100%）