1. 服务画像概念：定义、核心价值与误差预算关系
1.1 什么是服务画像
服务画像（Service Profile）是对一个在线服务在可观测性维度上的结构化数字描述。它并非简单的拓扑图或依赖关系图，而是一组经过筛选、聚合、带有阈值的指标集合，用于回答三个核心问题：
- 服务长什么样？ —— 服务边界、上下游依赖、关键接口、数据流。
- 服务健康吗？ —— 延迟、错误率、吞吐量、饱和度（USE / RED 方法论）。
- 服务能承受多大风险？ —— 误差预算（Error Budget）的分配与消耗。
在 Prometheus 生态中，服务画像通常表现为一组预定义的 recording rules + alerting rules + dashboard 面板，它们共同构成一个可复用的“服务可观测性模板”。
关键认知： 服务画像不是静态文档，而是动态更新的指标台账。每次发布、扩缩容、故障演练后，画像中的基线指标都应重新校准。
1.2 服务画像在 SRE 中的核心价值
服务画像不是理论概念，而是 SRE 日常工作中可直接操作的决策工具。其核心价值体现在以下四个维度：
| 价值维度 | 具体说明 | SRE 场景示例 |
|---|---|---|
| 标准化 | 所有服务使用统一的指标模板，消除“每个团队各自为政”的观测盲区 | 新服务上线时，直接套用画像模板，5 分钟内完成基础监控接入 |
| 可对比 | 不同服务、不同版本的指标在同一坐标系下对比，快速定位异常 | A/B 发布时，对比两个版本的延迟 P99 和错误率变化 |
| 可量化 | 每个服务都有明确的 SLO 目标和误差预算，不再凭“感觉”判断健康度 | 每月 SLO 回顾会议中，直接展示每个服务的误差预算消耗曲线 |
| 可演进 | 画像随服务架构变化而更新，保持与真实运行状态一致 | 服务拆分后，自动更新依赖图并重新分配误差预算 |
实践建议： 在 Prometheus 中为每个服务创建独立的
service_profile 标签，配合 recording rules 自动生成画像指标。例如：service_profile:request_latency_seconds:p99。
1.3 服务画像与误差预算的关系
误差预算（Error Budget）是 SRE 的核心量化工具，定义为：Error Budget = 1 - SLO。例如，SLO 为 99.9% 的服务，其月度误差预算为 0.1%（约 43.2 分钟）。
服务画像与误差预算之间存在双向驱动关系：
- 画像定义预算分配： 服务画像中的依赖关系、接口权重、流量比例决定了误差预算如何在各组件间分配。核心接口获得更严格的预算，非关键路径可适当放宽。
- 预算消耗反哺画像更新： 当某个组件的误差预算快速消耗时，说明该组件的画像指标（如延迟基线、错误率阈值）需要重新校准。
1.4 从画像到误差预算台账的映射
在 Prometheus 中，服务画像最终落地为一组误差预算台账指标。以下是典型的映射关系：
| 画像要素 | Prometheus 指标示例 | 误差预算台账用途 |
|---|---|---|
| 请求延迟基线 | histogram_quantile(0.99, ...) |
计算“慢请求”消耗的预算比例 |
| 错误率阈值 | rate(http_requests_total{status=~"5.."}[5m]) |
直接计入预算消耗（每笔错误扣减预算） |
| 接口权重 | label_replace(..., "weight", "0.3", ...) |
加权计算各接口的预算分配额度 |
| 依赖健康度 | up{job="dependency"} |
依赖不可用时，按比例扣减上游服务预算 |
| 饱和度水位 | rate(node_cpu_seconds_total[5m]) |
饱和度超过阈值时，触发预算消耗加速因子 |
常见误区： 不要将误差预算视为“一次性配置”。服务画像中的基线指标（如延迟 P99）会随流量特征、代码变更、基础设施变化而漂移。建议每两周校准一次画像基线，确保预算分配与实际运行状态匹配。