2. SLI 基础回顾：SLI 定义、黄金信号与可观测性数据的关系
2.1 什么是 SLI（Service Level Indicator）？
SLI（服务等级指标）是对服务行为某个方面的量化度量。在可观测性体系中，SLI 是连接原始观测数据与业务目标的桥梁——它将海量的 traces、metrics、logs 提炼为少数几个可比较、可聚合的数值。
| 维度 | 说明 | 典型表达式 |
|---|---|---|
| 定义方式 | 好事件计数 / 总事件计数 | good_count / total_count |
| 聚合粒度 | 通常按时间窗口（1min、5min、1h）滑动计算 | rate(good[5m]) / rate(total[5m]) |
| 阈值判定 | 每个请求/事务被标记为“好”或“坏” | 延迟 ≤ 200ms → good；> 200ms → bad |
| 输出形式 | 0~1 之间的比率，常转换为百分比 | 0.999 → 99.9% |
关键认知：SLI 不是原始指标，而是经过阈值映射后的比率。采样策略直接影响“好/坏”判定的准确性，进而扭曲 SLI 数值。
2.2 黄金信号（The Four Golden Signals）
Google SRE 经典著作中定义的四个黄金信号，是构建 SLI 最常用的维度框架。每个信号对应一类典型的用户或系统行为，且与可观测性数据类型有明确的映射关系。
2.3 各黄金信号的 SLI 定义示例
2.3.1 延迟（Latency）
- SLI 定义：请求在
p99 ≤ 200ms内的比例 - 好事件：响应时间 ≤ 200ms 的请求
- 总事件：所有被观测到的请求
- 数据来源：Span 的
end_time - start_time，或 Metric 的http_request_duration_seconds - 采样风险：尾部延迟采样不足时，p99 估计值严重偏小，SLI 虚高
2.3.2 流量（Traffic）
- SLI 定义：请求成功率 ≥ 99.9% 的时间占比
- 好事件：每分钟请求数在预期范围内（无突增/突降）
- 总事件：所有分钟窗口
- 数据来源：Metric 的
requests_total速率 - 采样风险：流量 SLI 通常基于计数指标，受采样影响较小；但若使用基于 trace 的计数，低采样率会导致分母失真
2.3.3 错误（Errors）
- SLI 定义：非 5xx 响应比例 ≥ 99.95%
- 好事件：HTTP 状态码 < 500 的请求
- 总事件：所有请求
- 数据来源：Span 属性
http.status_code，或 Log 中的错误记录 - 采样风险：错误率通常较低（< 1%），若采样策略对错误请求降权，SLI 会错误地显示为 100%
2.3.4 饱和度（Saturation）
- SLI 定义：CPU 使用率 < 80% 的时间占比 ≥ 99%
- 好事件：资源利用率低于阈值的观测点
- 总事件：所有观测点
- 数据来源：Metric 的
system.cpu.usage、jvm.memory.used - 采样风险：饱和度指标通常由 Metrics 承载，采样影响较小；但若使用 trace 推断饱和度（如队列等待时间），则受采样偏差影响
2.4 SLI 与可观测性数据的关系矩阵
| 黄金信号 | 主要数据源 | OpenTelemetry 信号类型 | 采样敏感度 | 典型 SLI 表达式 |
|---|---|---|---|---|
| 延迟 | Span 持续时间 | Traces | 高 | latency_p99 ≤ 200ms |
| 流量 | 请求计数 | Metrics | 低 | request_rate ≥ 1000 rps |
| 错误 | 状态码 / 异常事件 | Traces + Logs | 高 | error_rate ≤ 0.1% |
| 饱和度 | 资源利用率 | Metrics | 低 | cpu_usage < 80% |
核心结论：延迟和错误这两个黄金信号对采样策略高度敏感，因为它们依赖 Traces 数据来判定“好/坏”。流量和饱和度主要依赖 Metrics，受采样影响较小。因此，在设计采样策略时，必须优先保护延迟和错误相关 trace 的完整性。
2.5 从原始数据到 SLI 的转换管道
理解 SLI 的生成过程，有助于定位采样策略在哪个环节引入偏差：
- 数据采集：OpenTelemetry SDK 生成 Span、Metric、Log 记录
- 采样决策：Sampler 决定保留或丢弃 trace（头部采样）或 Span（尾部采样）
- 数据导出：被保留的数据发送到后端（如 Jaeger、Prometheus、Loki）
- 指标聚合：后端对保留数据计算
good_count和total_count - SLI 计算：
good_count / total_count得到 SLI 值 - SLO 评估：将 SLI 与目标阈值（如 99.9%）比较
采样策略作用于第 2 步，直接影响第 4 步的分子和分母。如果采样策略对“好”请求和“坏”请求的保留概率不一致，SLI 就会产生系统性偏差。
2.6 采样偏差对 SLI 的典型影响模式
| 采样策略 | 对延迟 SLI 的影响 | 对错误 SLI 的影响 | 偏差方向 |
|---|---|---|---|
| 固定概率采样（如 10%） | 尾部延迟样本不足，p99 估计偏低 | 错误样本按比例减少，统计显著性下降 | SLI 可能虚高 |
| 头部一致性采样（TraceId 哈希） | 完整 trace 保留，但低延迟 trace 占比过高 | 错误 trace 若被哈希排除则完全丢失 | SLI 可能虚高 |
| 尾部延迟采样（仅保留慢 trace） | 延迟 SLI 分母被扭曲，好事件占比被低估 | 错误 trace 若与慢请求相关则被保留 | SLI 可能虚低 |
| 错误优先采样（保留所有错误 trace） | 对延迟 SLI 影响较小 | 错误计数准确，但分母可能被高估 | 错误 SLI 准确，延迟 SLI 受间接影响 |
实践警告：不要假设“采样率足够高就能消除偏差”。即使采样率为 50%，如果采样策略对慢请求和快请求的保留概率不同，SLI 仍然会产生系统性偏差。偏差消除的关键是保真度（fidelity）而非采样率值。