2. 误差预算基础：SLO与误差预算的定义

2.1 从SLA到SLO：可靠性量化的演进

在可观测性工程中，服务等级目标（SLO）是服务可靠性的核心量化指标。它不同于传统的服务等级协议（SLA）——SLA是面向客户的合同承诺，而SLO是团队内部设定的可靠性目标，通常比SLA更严格。

概念	定义	受众	典型值
SLA	服务等级协议，法律/合同层面的承诺	客户、法务	99.9% (三九)
SLO	服务等级目标，内部可靠性量化指标	SRE、研发团队	99.95% (四九)
SLI	服务等级指标，实际测量的原始数据	监控系统	请求延迟、错误率

2.2 误差预算的定义与核心公式

误差预算（Error Budget）是SLO的互补概念，表示服务在给定时间窗口内允许的最大不可用时间或失败请求量。它量化了"可以犯多少错误而不违反SLO"。

核心计算公式：

误差预算 = 总请求量 × (1 - SLO)

示例：
- 时间窗口：30天（滚动窗口）
- 总请求量：10,000,000 次
- SLO：99.95%
- 误差预算 = 10,000,000 × (1 - 0.9995) = 5,000 次失败请求

2.3 误差预算的消耗机制

误差预算的消耗遵循事件驱动原则。每次SLI指标超出SLO阈值时，系统记录一次"不良事件"，并从预算中扣除相应配额。

消耗规则：

• 按请求计数：每个失败的请求消耗1单位预算（适用于可用性SLO）
• 按持续时间：每秒不可用状态消耗固定配额（适用于延迟SLO）
• 按严重程度加权：高影响故障消耗更多预算（适用于多维度SLO）

2.4 误差预算的重置机制

误差预算的重置是时间窗口驱动的。常见的重置策略包括：

重置策略	窗口类型	适用场景	优缺点
固定日历窗口	自然月/自然周	与财务/业务周期对齐	易于理解，但月末可能集中消耗
滚动时间窗口	最近N天（如30天）	实时可靠性监控	平滑消耗，但计算复杂
事件驱动重置	重大变更后	发布/部署周期	灵活，但需要人工干预

2.5 误差预算消耗速率与告警

误差预算的消耗速率比剩余量更重要。一个服务可能在月初快速消耗50%预算，然后在剩余时间保持稳定——这比均匀消耗更危险。

关键告警阈值：

• 消耗速率 > 2× 预期速率：触发警告（Warning）
• 消耗速率 > 3× 预期速率：触发严重告警（Critical）
• 预算剩余 < 20% 且消耗速率持续上升：触发紧急响应

2.6 误差预算在Prometheus中的指标设计

在Prometheus中，误差预算台账需要设计以下核心指标：

指标名称	类型	标签	说明
sli_total_events	Counter	service, sli_type	总请求事件计数
sli_bad_events	Counter	service, sli_type, error_class	不良事件计数
slo_target	Gauge	service, slo_name	SLO目标值（如0.9995）
error_budget_total	Gauge	service, window	总误差预算配额
error_budget_consumed	Gauge	service, window	已消耗的误差预算
error_budget_remaining	Gauge	service, window	剩余误差预算
error_budget_burn_rate	Gauge	service, window	预算消耗速率（/小时）

2.7 误差预算的决策驱动

误差预算不仅是监控指标，更是决策引擎。当预算耗尽时，团队应触发以下动作：

• 冻结发布：停止所有非关键变更，直到预算恢复
• 自动降级：关闭非核心功能，保护核心SLO
• 容量扩展：增加资源以降低故障影响
• 根因分析：启动事故调查流程