3. SLI 口径定义：四大黄金信号的采集口径差异
在可观测性工程中，延迟、错误率、吞吐量、饱和度 被 Google SRE 定义为“四大黄金信号”。然而，Collector 的配置方式（如采样策略、聚合窗口、标签保留规则）会直接改变这些 SLI 的采集口径，导致同一服务在不同 Collector 配置下呈现截然不同的健康状态。本节将逐一拆解每个信号的口径定义与采集差异。
3.1 延迟（Latency）
延迟衡量请求从发出到收到完整响应的时间间隔。口径差异主要体现在分位数计算方式与采样偏差上。
| 口径维度 | 典型 Collector 配置 | 对 SLI 的影响 |
|---|---|---|
| 分位数计算 | Histogram（直方图）vs. Summary（摘要） | Histogram 支持聚合与分位数预估，但桶边界设置不当会引入误差；Summary 在客户端计算分位数，无法跨实例聚合 |
| 采样策略 | 头部采样（Head-based）vs. 尾部采样（Tail-based） | 头部采样可能遗漏高延迟尾部请求；尾部采样保留慢请求但增加存储开销 |
| 聚合窗口 | 1m / 5m / 10m 滑动窗口 | 窗口越短，对突发延迟越敏感，但噪声也越大；窗口过长会掩盖瞬态高延迟 |
实践建议：对于延迟 SLI，推荐使用 Histogram 配合
le 桶边界（如 10ms、50ms、100ms、500ms、1s、5s），并在 Collector 端启用尾部采样以捕获长尾请求。聚合窗口建议设为 5 分钟，兼顾敏感度与稳定性。
3.2 错误率（Error Rate）
错误率定义为失败请求数占总请求数的比例。口径差异集中在错误判定标准与状态码覆盖范围上。
- HTTP 状态码口径：仅统计 5xx（服务端错误）vs. 包含 4xx（客户端错误）vs. 包含所有非 2xx 状态码。不同口径下错误率可能相差数倍。
- 业务错误口径：即使返回 200，业务逻辑层仍可能返回错误码（如
{"code":5001,"msg":"库存不足"}）。Collector 需配置 Body 解析规则 才能捕获此类错误。 - 超时与重试口径：客户端超时后自动重试，Collector 可能将重试请求视为独立请求，导致错误率被稀释或放大。
| 错误类型 | Collector 配置要点 | 口径差异示例 |
|---|---|---|
| HTTP 5xx | 匹配 status_code >= 500 |
仅统计服务端故障，口径最窄 |
| HTTP 4xx+5xx | 匹配 status_code >= 400 |
包含客户端错误，口径中等 |
| 业务错误 | 配置 Body 解析 + 正则匹配 "code":\s*[4-5]\d{3} |
捕获业务逻辑失败，口径最宽 |
| 超时重试 | 启用 Span 关联 + 重试标记 | 避免重复计数，口径更精确 |
常见陷阱：仅依赖 HTTP 5xx 作为错误率 SLI 会严重低估故障影响。例如，缓存穿透导致数据库超时，但网关返回 504 的比例可能只有 1%，而业务错误率可能高达 15%。建议至少同时采集 HTTP 5xx 与业务错误码两个口径。
3.3 吞吐量（Throughput）
吞吐量通常以 RPS（Requests Per Second） 或 TPS（Transactions Per Second） 表示。口径差异主要源于计数窗口与请求去重策略。
- 原始计数 vs. 成功计数：Collector 可配置为统计所有请求（含失败）或仅统计成功请求。前者反映系统负载，后者反映有效产出。
- 去重策略：重试请求是否重复计数？Collector 需通过 Trace ID 或请求唯一标识进行去重，否则吞吐量会被高估。
- 聚合粒度：按 endpoint、service、instance 聚合的吞吐量口径差异显著。粗粒度聚合可能掩盖局部热点。
3.4 饱和度（Saturation）
饱和度衡量系统资源被利用的程度，通常以百分比或排队深度表示。口径差异主要源于资源定义与阈值设定。
| 资源类型 | 常见采集指标 | 口径差异说明 |
|---|---|---|
| CPU | utilization / load average | utilization 仅反映使用率；load average 包含排队任务，更能体现饱和度 |
| 内存 | used / available / pressure | used 口径可能包含缓存，低估饱和度；PSI（Pressure Stall Information）更准确 |
| 磁盘 I/O | iowait / queue depth / latency | iowait 仅反映 CPU 等待时间；queue depth 直接反映 I/O 排队情况 |
| 网络 | bandwidth utilization / drop rate | 带宽利用率可能忽略小包冲击；丢包率更能反映网络饱和 |
| 连接池 | active connections / pending requests | active 反映当前使用量；pending 反映排队深度，是更敏感的饱和度指标 |
核心原则：饱和度 SLI 应优先选择排队深度或压力指标（如 PSI、连接池 pending 数），而非简单的资源利用率。利用率达到 100% 时系统可能早已过载，而排队深度在利用率达到 60%-70% 时就会开始显著增长。
3.5 四大黄金信号口径差异总结
| 黄金信号 | 核心口径 | Collector 配置关键点 | 常见口径偏差 |
|---|---|---|---|
| 延迟 | p50 / p90 / p99 延迟 | Histogram 桶边界、采样策略、聚合窗口 | Summary 无法跨实例聚合；头部采样遗漏尾部延迟 |
| 错误率 | 失败请求 / 总请求 | 状态码范围、Body 解析、重试去重 | 仅统计 5xx 低估错误；重试请求重复计数 |
| 吞吐量 | RPS / TPS | 去重策略、聚合粒度、成功/全部计数 | 非去重口径在重试风暴时虚高 |
| 饱和度 | 排队深度 / 压力指标 | 资源定义、阈值设定、PSI 启用 | 利用率口径滞后于实际饱和点 |
最佳实践：在 Collector 配置中，为每个黄金信号至少保留两个口径（一个宽口径用于告警，一个窄口径用于 SLO 计算），并通过标签区分。例如：
error_rate:http_5xx 与 error_rate:business，throughput:raw 与 throughput:deduped。这样既能保证告警灵敏度，又能确保 SLO 计算的准确性。