4. 聚合粒度与精度：粗粒度聚合（全局SLI）与细粒度聚合（实例级SLI）的精度对比，粒度选择原则

聚合粒度是影响SLI口径精度的核心变量。同一份原始指标数据，在不同粒度上聚合会得到截然不同的可用性结论。粗粒度聚合（全局SLI）计算简单、成本低，但会掩盖局部故障；细粒度聚合（实例级SLI）能真实反映每个单元的可用性，但存储和计算开销显著上升。本节从精度对比和选择原则两个维度展开。

4.1 粗粒度聚合 vs 细粒度聚合：精度对比

以下表格从六个关键维度对比两种聚合策略的差异：

4.2 精度损失的本质：流量加权偏差

粗粒度聚合的本质是流量加权平均。假设服务有3个实例，其可用性与流量分布如下：

• 实例A： 可用性 99.9%，承载 80% 流量
• 实例B： 可用性 50.0%，承载 10% 流量
• 实例C： 可用性 0.0%，承载 10% 流量

粗粒度计算： (0.999×0.8 + 0.5×0.1 + 0.0×0.1) = 0.8492 → 全局SLI = 84.92%

细粒度计算： 实例级可用性分别为 99.9%、50.0%、0.0%，取最小值或P50 → 真实可用性远低于84.92%

粗粒度SLI将两个完全不可用的实例（B和C）的故障，通过流量权重“稀释”到了看似可接受的84.92%。而细粒度聚合能直接暴露B和C的严重故障。

4.3 粒度选择原则

聚合粒度的选择不是非此即彼，而是基于业务场景、成本预算和精度需求的权衡。以下为经过生产验证的粒度选择原则：

1. 最小可用单元原则： 聚合粒度应至少细化到故障隔离的最小单元（如Pod、VM实例、分片）。如果故障隔离单元是实例，就不应只聚合到集群级别。
2. 流量分布感知原则： 当实例间流量分布不均（如20%实例承载80%流量）时，必须使用细粒度聚合，否则粗粒度SLI会严重失真。
3. 成本分层原则： 核心服务使用细粒度聚合（实例级），非核心服务或内部工具服务可使用粗粒度聚合（集群级），以控制存储成本。
4. 告警与报表分离原则： 告警使用细粒度聚合（快速发现单点故障），报表/月报使用粗粒度聚合（展示整体趋势）。
5. 动态调整原则： 在故障注入演练或大促压测期间，临时提升聚合粒度（从集群级切换到实例级），结束后恢复。

4.4 粒度选择决策矩阵

以下矩阵帮助团队根据实际场景快速选择聚合粒度：

4.5 中间方案：分片聚合与分层聚合

当实例规模极大时，纯粗粒度或纯细粒度都不理想。以下两种中间方案在实践中被广泛采用：

• 分片聚合： 将实例按逻辑分组（如可用区、机房、服务版本），在每个分片内做细粒度聚合，分片间做粗粒度聚合。既保留了局部可见性，又控制了时间序列总数。
• 分层聚合： 构建三层SLI体系——实例级（7天保留）→ 分片级（30天保留）→ 全局级（90天保留）。上层聚合下层数据，逐层降采样，兼顾精度与成本。

4.6 粒度选择的量化评估方法

在决定聚合粒度前，建议通过以下量化指标进行评估：

• 精度损失率（ALR）： ALR = |粗粒度SLI - 细粒度SLI| / 细粒度SLI。当ALR > 5%时，必须使用细粒度聚合。
• 故障检测延迟（FDD）： 从故障发生到SLI阈值被触发的时间差。细粒度聚合的FDD通常比粗粒度快3-10倍。
• 时间序列膨胀系数（TSC）： TSC = 细粒度时间序列数 / 粗粒度时间序列数。当TSC > 100时，需引入分片聚合作为中间方案。