1. SLI 与 SLO 基础概念
在可观测性体系中，SLI（Service Level Indicator，服务等级指标）与SLO（Service Level Objective，服务等级目标）是定义系统健康度与可靠性的核心度量标准。它们将抽象的“服务质量”转化为可量化、可追踪、可告警的工程语言，是所有 SRE 实践与可观测性策略的起点。
1.1 什么是 SLI？
SLI 是对服务某个特定维度的量化测量值，通常表示为一段时间内的比率、百分比或速率。常见的 SLI 维度包括：
| 维度 | 典型 SLI 示例 | 测量方式 |
|---|---|---|
| 可用性 | 请求成功率 ≥ 99.9% | 成功请求数 / 总请求数 |
| 延迟 | P99 延迟 ≤ 200ms | 请求响应时间的百分位分布 |
| 吞吐量 | 每秒处理请求数 ≥ 1000 | 单位时间内的请求计数 |
| 错误率 | 5xx 错误率 ≤ 0.1% | 错误请求数 / 总请求数 |
| 饱和度 | CPU 使用率 ≤ 80% | 资源使用量 / 资源总量 |
关键原则：SLI 必须满足 R.E.A.L. 标准——Relevant（与用户体验相关）、Easily measurable（易于测量）、Actionable（可驱动决策）、Limited in number（数量有限，通常 3~5 个）。
1.2 什么是 SLO？
SLO 是为 SLI 设定的目标阈值或范围，代表服务所有者承诺在一段时间内达到的服务质量水平。SLO 通常以“窗口期内的达标百分比”形式定义：
# SLO 定义示例（30 天滚动窗口）
slo:
name: "API 请求成功率"
sli: "请求成功率"
target: 99.9% # 30 天内，99.9% 的请求必须成功
window: "30d" # 评估窗口
compliance: "rolling" # 滚动计算SLO 的常见表达方式：
- 阈值型：“P99 延迟 ≤ 500ms”（硬边界）
- 比率型：“99.9% 的请求在 200ms 内完成”（概率边界）
- 复合型：“可用性 ≥ 99.95% 且 P99 延迟 ≤ 300ms”（多条件组合）
1.3 SLI 与 SLO 在可观测性中的核心地位
SLI 与 SLO 构成了可观测性体系的“北极星”，其核心作用体现在以下三个层面：
- 量化用户体验：将主观的“服务好不好”转化为客观的数值，使团队能准确判断服务质量是否满足用户预期。
- 驱动告警与响应：基于 SLO 燃烧速率（Burn Rate）设置告警，避免“告警风暴”，聚焦真正影响用户的事件。
- 指导容量规划与优化：通过 SLI 趋势分析，提前发现性能退化或容量瓶颈，指导资源投入优先级。
核心关系：SLI 是“测量什么”，SLO 是“目标是多少”。没有 SLI，SLO 是空谈；没有 SLO，SLI 只是数据。两者共同将可观测性从“数据展示”提升为“工程决策”。
1.4 SLI → SLO → 错误预算 的层级关系
下图展示了从原始指标到工程决策的完整链路：
1.5 SLI 精度与聚合粒度的关系
SLI 的精度高度依赖于指标聚合粒度——即原始数据在时间、空间（维度）上的聚合方式。粒度选择不当会导致 SLI 失真：
| 聚合粒度 | 对 SLI 精度的影响 | 典型场景 |
|---|---|---|
| 过粗（如 1 小时聚合） | 掩盖短时故障，SLI 虚高，无法反映真实用户体验 | 批量作业、长周期报表 |
| 过细（如 1 秒聚合） | 数据量大、噪声多，SLO 达标率波动剧烈，难以设定稳定目标 | 高频交易、实时控制 |
| 适中（如 1 分钟聚合） | 平衡精度与成本，能捕捉大部分故障事件，SLO 稳定可追踪 | Web API、微服务调用 |
常见误区：很多团队直接使用基础设施监控的默认聚合粒度（如 5 分钟）来计算 SLI，导致 30 秒的故障被平均掉，SLO 长期“达标”但用户频繁投诉。SLI 的聚合粒度必须与用户体验的感知粒度对齐。
1.6 本章小结
- SLI 是服务质量的量化指标，必须可测量、与用户体验相关。
- SLO 是为 SLI 设定的目标阈值，定义了“好服务”的标准。
- SLI 与 SLO 共同构成可观测性的决策核心，驱动错误预算与工程响应。
- 指标聚合粒度是影响 SLI 精度的关键因素，将在后续章节深入探讨。