3. SLI 口径设计原则：从用户视角定义可用性，避免口径污染
SLI（Service Level Indicator）是服务等级指标，其口径设计直接决定了后续异常检测的准确性和SLO（服务等级目标）的可信度。一个被“污染”的SLI口径，即使拥有最先进的检测算法，也无法反映真实的用户体验。本章核心原则是：始终从用户视角出发，定义“可用”与“不可用”的边界，并严格隔离干扰信号。
3.1 用户视角 vs. 基础设施视角
传统监控往往从基础设施视角定义指标（如CPU使用率、内存占用），但这些指标与用户实际体验之间存在巨大鸿沟。SLI口径必须映射到用户可感知的行为。
| 视角 | 典型指标 | 用户关联度 | 口径污染风险 |
|---|---|---|---|
| 基础设施视角 | CPU > 80%、磁盘IO等待、内存页错误 | 低（间接关联） | 高（健康但用户不可用） |
| 应用组件视角 | HTTP 5xx率、请求延迟P99、错误日志数 | 中（部分关联） | 中（忽略客户端问题） |
| 用户视角（SLI） | 首屏加载成功、登录完成率、搜索无结果率 | 高（直接关联） | 低（聚焦用户旅程） |
关键校准点： 当服务器CPU为100%但用户请求仍被快速响应时，基础设施视角会触发告警，而用户视角的SLI不应告警。反之，当用户端网络延迟导致请求超时，即使服务器指标正常，用户视角SLI也必须标记为“不可用”。
3.2 口径污染的三大来源
口径污染是指SLI中混入了与用户可用性无关的信号，导致指标失真。以下是三大主要污染源：
- 内部流量污染： 健康检查、监控探针、CI/CD部署流量、内部运维脚本等非用户请求被计入SLI分母。
- 非关键路径污染： 将用户不关心的次要功能（如页面底部的“友情链接”加载失败）计入核心可用性计算。
- 异常模式污染： 爬虫攻击、DDoS流量、预加载请求等非正常用户行为扭曲了SLI的基线。
典型事故案例： 某电商平台将“所有API请求”作为SLI分母，导致一次大规模爬虫攻击使请求量暴增100倍，SLI可用性从99.9%骤降至85%。实际上，真实用户的购物流程完全正常。这就是典型的“分母膨胀”污染。
3.3 用户旅程映射与SLI定义
避免口径污染的最佳实践是：先绘制用户关键旅程（Critical User Journey, CUJ），再为每个旅程定义SLI。
3.4 口径过滤策略与实现
在实际工程中，通过以下策略实现口径净化：
- 标签（Label）白名单： 在指标采集时，只保留带有
user_type="real"或source="customer"标签的请求。 - 用户代理（User-Agent）过滤： 排除已知爬虫、健康检查工具（如K8s Probes）的User-Agent。
- 速率异常剔除： 对单IP请求速率超过3σ阈值的流量，在SLI计算中标记为“非正常用户”并排除。
- 关键路径采样： 仅对包含核心业务ID（如订单ID、会话ID）的请求进行SLI统计。
工程实践提示： 在Prometheus或类似系统中，建议使用Recording Rules预先聚合“净化后的SLI”，而不是在查询时动态过滤。例如：
# 原始指标：http_requests_total{status="200", path="/api/checkout"}
# 净化后SLI（排除内部IP和爬虫）：
- record: sli:checkout_success_rate:5m
expr: |
sum(rate(http_requests_total{
status="200",
path="/api/checkout",
client_ip!~"10.0.0.0/8|172.16.0.0/12",
user_agent!~"bot|crawler|healthcheck"
}[5m]))
/
sum(rate(http_requests_total{
path="/api/checkout",
client_ip!~"10.0.0.0/8|172.16.0.0/12",
user_agent!~"bot|crawler|healthcheck"
}[5m]))3.5 口径基线阈值设定
在口径净化完成后，需要为SLI设定合理的基线阈值。阈值不是静态的，而是基于历史数据动态校准的。
| 阈值类型 | 计算方法 | 适用场景 | 污染敏感度 |
|---|---|---|---|
| 固定阈值 | 人工设定（如成功率 > 99.9%） | 稳定、成熟的服务 | 高（易被污染突破） |
| 动态基线（移动平均） | 过去7天同时间窗口的加权平均 | 有周期性波动的服务 | 中（需排除异常窗口） |
| 预测基线（时间序列） | Prophet/ARIMA模型预测值 ± 置信区间 | 有趋势和季节性的服务 | 低（模型自动适应） |
口径污染对基线的影响： 如果未过滤爬虫流量，动态基线会错误地将爬虫高峰期的低成功率“学习”为正常模式，导致真实用户故障时无法触发告警。因此，口径净化必须在基线计算之前完成，这是SRE领域“先净化，再计算”的铁律。
3.6 案例：电商搜索SLI口径设计
以电商平台的“搜索”功能为例，展示从用户视角定义SLI并避免污染的全过程：
- 用户旅程定义： 用户在搜索框输入关键词 → 点击搜索 → 等待结果列表渲染 → 看到有效商品列表。
- SLI口径：
搜索成功次数 / 搜索总次数，其中“成功”定义为：从用户点击搜索到页面渲染出至少1个商品，且耗时 < 3秒。 - 污染排除：
- 排除内部自动化测试的搜索请求（通过Header标记）。
- 排除搜索词为空的“无效搜索”。
- 排除来自已知爬虫IP段的请求。
- 排除搜索结果为空但后端正常返回（这是业务逻辑，不是可用性问题）。
- 基线设定： 基于过去30天净化后的数据，取P99作为告警阈值，P95作为警告阈值。
常见误区： 不要将“搜索API响应时间”直接作为SLI。API响应快不代表用户看到了结果，可能前端渲染失败或CDN缓存未命中。必须从浏览器端或APP端采集“用户感知到的搜索完成事件”作为SLI数据源。
通过严格遵循“用户视角定义、污染源隔离、动态基线校准”的三步法，SLI口径才能真正成为异常检测的可靠基石，避免“数据说谎”的陷阱。