2. Metric Design 核心原则：黄金信号、USE 方法、RED 方法

在构建可观测性体系时，Metric Design 的核心在于选择正确的指标。业界经过多年实践，沉淀出三套经典方法论：黄金信号（The Four Golden Signals）、USE 方法（Utilization, Saturation, Errors） 和 RED 方法（Rate, Errors, Duration）。这三者分别从用户视角、资源视角和服务视角定义了“该测量什么”。

2.1 黄金信号：用户视角的四大支柱

黄金信号源自 Google SRE 实践，用于衡量用户所体验到的系统健康度。任何分布式系统都应优先关注以下四个维度：

2.2 USE 方法：资源视角的瓶颈定位

USE 方法由 Brendan Gregg 提出，专注于资源层面的指标设计。对于每一个系统资源（CPU、内存、磁盘、网络），依次检查三个维度：

• 利用率（Utilization）：资源忙于处理工作的时间百分比。例如 CPU 利用率、磁盘带宽利用率。
• 饱和度（Saturation）：资源无法及时服务的额外排队工作量。例如 CPU 运行队列长度、磁盘 I/O 等待队列。
• 错误（Errors）：资源发生的错误事件计数。例如网卡丢包、磁盘坏道、内存 ECC 错误。

2.3 RED 方法：服务视角的请求健康度

RED 方法由 Tom Wilkie（Grafana / Prometheus 核心贡献者）提出，专为微服务架构设计。对于每一个服务，只需测量三个指标：

• 速率（Rate）：服务每秒处理的请求数（RPS）。对应黄金信号中的流量。
• 错误（Errors）：请求失败的比率。对应黄金信号中的错误。
• 持续时间（Duration）：请求处理所花费的时间分布。对应黄金信号中的延迟。

2.4 三套方法的对比与选型

在实际的 Metric Design 中，这三套方法并非互斥，而是互补的。下表总结了它们的适用场景和核心差异：

2.5 实践案例：从黄金信号到 SLI 口径

假设我们有一个电商平台的“商品详情页”服务，使用黄金信号定义 SLI 口径：

# 延迟 SLI：p99 响应时间 < 500ms
histogram_quantile(0.99, 
  sum(rate(http_request_duration_seconds_bucket{service="product-detail", status!~"5.."}[5m])) 
  by (le)
)

# 流量 SLI：QPS 在基线 ±20% 范围内
sum(rate(http_requests_total{service="product-detail"}[5m]))

# 错误 SLI：错误率 < 0.1%
sum(rate(http_requests_total{service="product-detail", status=~"5.."}[5m])) 
/ 
sum(rate(http_requests_total{service="product-detail"}[5m]))

# 饱和度 SLI：CPU 使用率 < 80%
avg(node_cpu_seconds_total{mode="idle", instance=~"product-detail.*"}) 
by (instance)