1. 课程导论：Error Budget 概念起源、在 SRE 体系中的核心地位、课程目标与学习路径
1.1 概念起源：从“完美可用性”到“可容忍的故障预算”
在传统运维思维中，系统可用性往往被设定为“四个九”（99.99%）甚至“五个九”（99.999%）的硬性目标，任何偏离都被视为事故。这种“零故障”导向导致两个严重问题：
- 创新停滞：团队因惧怕故障而不敢频繁发布新功能；
- 成本失控：为追求极致可用性，投入大量冗余资源，边际效益递减。
Google SRE 团队在 2003 年前后提出 Error Budget（错误预算） 概念，核心思想是：“没有系统能做到 100% 可用，与其追求不可能，不如为不可用预留一个可量化的额度。”
Error Budget 定义：
Error Budget = (1 - SLO) × 总时间窗口
例如：月度 SLO 为 99.9%，则月度 Error Budget = (1 - 0.999) × 30 × 24 × 60 = 43.2 分钟。
Error Budget = (1 - SLO) × 总时间窗口
例如：月度 SLO 为 99.9%，则月度 Error Budget = (1 - 0.999) × 30 × 24 × 60 = 43.2 分钟。
这一概念将可用性从“事后统计指标”转变为“事前可消耗资源”，为运维与研发的协作提供了数学基础。
1.2 在 SRE 体系中的核心地位
Error Budget 并非孤立概念，而是贯穿 SRE 三大支柱的枢纽：
| SRE 支柱 | Error Budget 的作用 | 典型场景 |
|---|---|---|
| SLI / SLO 定义 | 为每个 SLI 设定 SLO 目标，Error Budget 是 SLO 的量化表达 | 延迟 SLO 为 99.9%，月度预算 43 分钟 |
| 运维决策 | 消耗速度触发告警、限速、回滚等自动化动作 | 预算剩余 20% 时进入“运维模式” |
| 研发与运维协作 | 预算耗尽时冻结新功能发布，优先修复稳定性 | 月度预算耗尽，本周禁止上线 |
Error Budget 将可用性从“运维部门的 KPI”转变为“整个技术团队的共同语言”，它直接回答了三个关键问题：
- 多快算快？ —— SLI 口径与 SLO 阈值
- 多稳算稳？ —— Error Budget 消耗速率
- 何时停止？ —— 预算耗尽后的熔断机制
实践要点： Error Budget 不是“故障容忍度”，而是“可消耗的不可用额度”。团队应像管理财务预算一样管理它——设定预算、监控支出、在超支时采取纠正措施。
1.3 课程目标与学习路径
本课程聚焦于 Error Budget 在 SLI 口径中的量化应用，帮助学员从“理解概念”跨越到“落地执行”。课程分为四个阶段：
| 阶段 | 章节范围 | 核心产出 |
|---|---|---|
| 基础篇 | 第 1-5 章 | 掌握 SLI 口径设计、SLO 设定、Error Budget 计算公式 |
| 量化篇 | 第 6-12 章 | 学会多窗口预算计算、消耗速率建模、告警阈值推导 |
| 实践篇 | 第 13-22 章 | 实现自动化预算跟踪、熔断策略、容量规划与成本优化 |
| 进阶篇 | 第 23-30 章 | 多服务级联预算、SLO 回退机制、大规模落地案例 |
每章均包含：
- 核心概念：理论定义与数学公式
- 量化方法：SLI 口径选择、窗口对齐、预算计算
- 代码示例：PromQL / Python 实现
- 实战案例：电商、金融、SaaS 场景
前置要求： 学员需具备基础 SRE 知识（了解 SLI/SLO 定义）、熟悉 Prometheus 查询语法、掌握至少一种编程语言（Python/Go）。本课程不讲解基础监控搭建，专注 Error Budget 的量化建模与工程落地。