2、SLI基础：什么是SLI（服务等级指标）、SLI的选取原则、常见的SLI类型（延迟、错误率、吞吐量、饱和度）
2.1 什么是SLI（服务等级指标）
SLI（Service Level Indicator，服务等级指标） 是对服务某个特定维度进行量化的直接测量值。它是可观测性体系中最原始的“信号”，反映了服务在用户视角下的真实表现。SLI 不是目标，而是事实——它回答的是“服务现在怎么样”，而不是“服务应该怎么样”。
SLI 是 Error Budget 计算的原材料。没有精确的 SLI 口径，后续的 SLO 制定和 Error Budget 量化都无从谈起。SLI 必须满足 可采集、可聚合、可对比 三个基本属性。
| 属性 | 说明 | 反例 |
|---|---|---|
| 可采集 | 能从监控系统、日志、链路追踪中直接获取原始值 | “用户体验满意度”无法直接采集 |
| 可聚合 | 能在时间窗口（如1分钟、5分钟）内做统计计算 | 单次请求的耗时无法代表整体 |
| 可对比 | 不同时间段的SLI值可以比较，用于判断趋势 | “系统负载”在不同硬件下无法直接对比 |
2.2 SLI的选取原则
选取正确的 SLI 是 Error Budget 工程中最关键的决策之一。错误的 SLI 会导致 SLO 失真，进而使 Error Budget 失去指导意义。以下是经过生产环境验证的 SLI 选取四原则：
- 用户视角优先： 始终从用户（或下游调用方）的体验出发，而不是从基础设施视角出发。例如：选择“用户侧请求延迟”而非“CPU使用率”。
- 高覆盖率： SLI 应覆盖服务的大部分流量。避免只采集健康实例的数据而忽略故障实例。建议覆盖至少 95% 以上的生产流量。
- 可区分好坏： SLI 必须能明确区分“好”与“坏”的边界。例如：延迟 SLI 需要定义“多快算好”，错误率 SLI 需要定义“什么算错误”。
- 避免代理指标： 不要使用间接指标代替直接指标。例如：用“TCP连接数”代替“请求成功率”是错误的，因为连接数正常不代表请求成功。
2.3 常见的SLI类型
在生产环境中，SLI 通常被归纳为 四大黄金信号：延迟、错误率、吞吐量、饱和度。这四类指标从不同维度刻画了服务的健康状态，是 Error Budget 量化的基础。
2.3.1 延迟（Latency）
延迟衡量服务响应请求所花费的时间。延迟 SLI 通常使用 百分位值（P50、P90、P99）而非平均值，因为平均值会掩盖长尾问题。在 Error Budget 中，延迟 SLI 的“好”与“坏”由阈值定义，例如：P99 延迟 ≤ 500ms 算作“好”，否则算作“坏”。
2.3.2 错误率（Error Rate）
错误率衡量请求失败的占比。错误不仅包括 HTTP 5xx 状态码，还包括业务逻辑错误（如返回错误码、超时、熔断）。错误率 SLI 的计算公式为：错误请求数 / 总请求数 × 100%。在 Error Budget 中，错误率 SLI 通常要求低于某个阈值（如 0.1%）。
2.3.3 吞吐量（Throughput）
吞吐量衡量服务在单位时间内处理的请求量或数据量。常见的吞吐量 SLI 包括：QPS（每秒查询数）、RPS（每秒请求数）、TPS（每秒事务数）。吞吐量 SLI 通常与容量规划相关，当吞吐量接近系统上限时，Error Budget 消耗会加速。
2.3.4 饱和度（Saturation）
饱和度衡量服务资源被占用的程度。常见的饱和度 SLI 包括：CPU 使用率、内存使用率、连接池使用率、队列深度。饱和度 SLI 是“前兆性”指标——当饱和度升高时，延迟和错误率往往会随之恶化。在 Error Budget 中，饱和度 SLI 用于预警，而非直接计入 Error Budget 消耗。
| SLI 类型 | 典型指标 | 采集方式 | 在 Error Budget 中的角色 |
|---|---|---|---|
| 延迟 | P99 延迟、P50 延迟 | 请求耗时埋点、APM | 直接计入消耗 |
| 错误率 | HTTP 5xx 占比、业务错误码占比 | 日志、监控指标 | 直接计入消耗 |
| 吞吐量 | QPS、RPS、TPS | 流量统计、网关指标 | 间接影响（容量规划） |
| 饱和度 | CPU 使用率、队列深度 | 系统指标、中间件指标 | 预警信号（不直接计入） |
2.4 SLI 口径定义示例
为了让 SLI 真正可量化，必须给出精确的 口径定义。以下是一个典型的 HTTP 服务 SLI 口径定义模板：
SLI 名称：HTTP 请求延迟（P99）
采集来源：Nginx 访问日志 / APM 代理
统计窗口：1 分钟（滚动窗口）
好事件定义：P99 延迟 ≤ 500ms
坏事件定义：P99 延迟 > 500ms
排除条件：健康检查请求、内部监控探针
覆盖范围：所有外部用户请求（排除内部流量）