📚 课程目录第4章 Error Budget计算原理

4. Error Budget 计算原理：预算窗口期选择、预算消耗速率计算、剩余预算与告警阈值

Error Budget（错误预算）是 SRE 实践中的核心量化工具，它将抽象的可靠性目标转化为可度量的、可操作的“预算”。本章深入剖析 Error Budget 的计算原理，重点讲解预算窗口期的选择策略、消耗速率的计算方法，以及如何基于剩余预算设定有效的告警阈值。

4.1 预算窗口期选择

预算窗口期决定了 Error Budget 的“刷新周期”，即在一个固定时间窗口内，系统允许的最大不可用时间或错误次数。窗口期的选择直接影响预算的敏感度和稳定性。

窗口期类型	典型时长	适用场景	优缺点
滚动窗口	28天 / 30天	大多数在线服务、API 网关	优点：平滑，避免月度边界效应；缺点：对突发故障反应稍慢
固定日历窗口	自然月	财务结算、月度 SLA 报告	优点：与业务周期对齐；缺点：月初预算重置，月末可能过度紧张
短窗口	1小时 / 1天	实时交易系统、高频告警	优点：快速响应；缺点：噪音大，容易触发误告警
长窗口	90天 / 季度	低频变更、基础设施平台	优点：容忍短期波动；缺点：问题发现滞后

推荐实践：对于大多数生产服务，建议使用 28天滚动窗口。它既能消除周末/工作日效应，又能避免月度重置带来的“月初挥霍、月末勒紧”行为。

4.2 预算消耗速率计算

预算消耗速率描述了 Error Budget 被“烧掉”的速度。核心公式如下：

Error Budget 总量 = (1 - SLO) × 总请求数（或总时间）

消耗速率 = 错误事件数（或不可用时间） / 窗口期长度

剩余预算 = Error Budget 总量 - 累计消耗量

剩余预算百分比 = (剩余预算 / Error Budget 总量) × 100%

以可用性 SLO 99.9%（三个9）为例，在 28 天滚动窗口内：

总时间：28天 × 24小时 × 60分钟 × 60秒 = 2,419,200 秒
Error Budget 总量：2,419,200 × (1 - 0.999) = 2,419.2 秒 ≈ 40.32 分钟
消耗速率：假设过去 7 天累计不可用时间为 600 秒，则消耗速率 = 600 / (7×86400) ≈ 0.00099 秒/秒
剩余预算：2,419.2 - 600 = 1,819.2 秒

  关键洞察：消耗速率不是静态的。当系统出现持续故障时，速率会急剧上升；当系统稳定时，速率趋近于零。监控消耗速率的趋势比监控值更有价值。

4.3 剩余预算与告警阈值

剩余预算的告警阈值设计是 Error Budget 策略落地的关键。常见的阈值模型包括：

告警级别	剩余预算阈值	响应动作	示例
信息	< 50%	记录日志，通知 SRE 值班	剩余预算 20 分钟（总量 40 分钟）
警告	< 30%	创建工单，启动初步排查	剩余预算 12 分钟
严重	< 10%	触发 PagerDuty，冻结变更	剩余预算 4 分钟
紧急	< 5%	全团队介入，考虑降级或回滚	剩余预算 2 分钟

避坑指南：不要仅依赖剩余预算的值。当窗口期即将结束时，即使剩余预算很少，也可能因为窗口重置而“安全”。建议同时监控 消耗速率趋势 和 预测耗尽时间。

4.4 Error Budget 计算与告警流程

下图展示了从 SLI 采集到告警触发的完整计算链路：

4.5 多窗口预算消耗速率对比

不同窗口期下，消耗速率的敏感度差异显著。下图对比了 1 小时、1 天和 28 天窗口下的预算消耗曲线：

4.6 实践要点与常见误区

预算窗口期不可过短：1小时窗口在流量低谷期可能因少量错误就耗尽预算，导致不必要的告警风暴。
消耗速率需考虑季节性：促销日、节假日流量高峰会自然增加错误数，应提前调整阈值或使用动态基线。
剩余预算告警应分层：不要只设一个阈值。建议至少设置“警告”（30%）和“严重”（10%）两级，并关联不同的响应流程。
避免“预算恐慌”：当剩余预算接近 0% 时，不要盲目回滚所有变更。应结合错误类型（如是否为已知故障、是否影响核心用户）做决策。

  核心公式总结：

  Error Budget 总量 = (1 - SLO) × 窗口期总请求数（或总时间）

  消耗速率 = 累计错误数 / 窗口已过时间

  剩余预算百分比 = (总量 - 累计消耗) / 总量 × 100%

  告警触发条件：剩余预算百分比 < 阈值（如 10%）且消耗速率持续上升。