📚 课程目录第4章 Error Budget定义

4. Error Budget 定义：数学公式、消耗与剩余、燃烧概念

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“预算额度”。本章将严格定义 Error Budget 的数学公式，解析预算消耗与剩余的计算逻辑，并深入阐释“燃烧”这一关键概念。

Error Budget 的数学定义基于两个核心指标：SLI（服务等级指标）和SLO（服务等级目标）。其基本公式如下：

Error Budget = 1 - SLO（以小数表示）

更精确地，在给定的时间窗口（通常为 28 天或 30 天滚动窗口）内：

Error Budget = 总事件数 × (1 - SLO)
其中：
- 总事件数 = 总请求数、总操作次数或总时间单位（取决于 SLI 类型）
- SLO = 目标成功率（例如 99.9% 对应 0.999）

示例：

    关键理解： Error Budget 不是“剩余可用错误数”，而是“在 SLO 窗口内允许发生的最大错误总量”。它代表系统在满足用户期望的前提下，可以承受的“不完美”程度。

预算消耗与剩余的计算是动态的，基于实际观测到的错误事件。核心逻辑如下：

指标	定义	计算公式
预算消耗	从窗口开始至今，已发生的错误事件总数	Consumed = Σ(错误事件)
预算剩余	窗口内剩余可用的错误事件数	Remaining = Error Budget - Consumed
预算剩余率	剩余预算占原始预算的百分比	Remaining% = (Remaining / Error Budget) × 100%

计算示例（28天窗口，SLO=99.9%，总请求=10,000,000）：

初始预算： Error Budget = 10,000,000 × 0.001 = 10,000 次
第 7 天结束时： 累计错误 = 3,000 次 → 预算消耗 = 3,000；预算剩余 = 10,000 - 3,000 = 7,000 次
第 14 天结束时： 累计错误 = 8,000 次 → 预算消耗 = 8,000；预算剩余 = 10,000 - 8,000 = 2,000 次
第 21 天结束时： 累计错误 = 9,500 次 → 预算消耗 = 9,500；预算剩余 = 10,000 - 9,500 = 500 次

重要陷阱： 预算剩余不是线性递减的。如果某天发生大规模故障（如 5,000 次错误），预算会瞬间消耗 50%。因此，监控预算消耗的速率比监控值更重要。

“燃烧”（Burn）是 Error Budget 动态管理中的核心概念，它描述了预算被消耗的速率。燃烧速率决定了系统是否处于健康状态，以及是否需要触发告警或干预。

燃烧速率定义：

燃烧速率 = 实际错误率 / 允许错误率

其中：
- 实际错误率 = 单位时间内的错误事件数 / 单位时间内的总事件数
- 允许错误率 = 1 - SLO

燃烧速率的含义：

燃烧速率与告警触发：

Google SRE 实践定义了基于燃烧速率的告警策略。例如：

最佳实践： 使用“多窗口燃烧速率告警”策略。同时监控短窗口（如 1 小时）和长窗口（如 6 小时）的燃烧速率，可以快速发现突发故障，同时避免对瞬时抖动过度反应。

为了将燃烧速率转化为可操作的告警规则，需要定义具体的阈值和时间窗口。下表展示了典型的告警策略配置：

告警级别	燃烧速率阈值	评估窗口	触发条件	响应动作
紧急（Page）	≥ 2	1 小时	预算剩余 < 10%	立即唤醒 On-Call 工程师
高（Ticket）	≥ 1	6 小时	预算剩余 < 20%	创建工单，日间处理
警告（Warning）	≥ 0.5	24 小时	预算剩余 < 50%	发送通知，关注趋势

    实践要点： 告警策略应基于“预算剩余”和“燃烧速率”的组合判断。仅依赖单一指标可能导致误报或漏报。例如，燃烧速率很高但预算剩余充足时，可能不需要立即 Page；而燃烧速率较低但预算已接近耗尽时，也应触发告警。