4. SLI指标设计原则：如何选择有效的SLI

SLI（Service Level Indicator）是服务等级指标，是对服务某个维度的量化度量。选择有效的SLI是构建误差预算台账的基石。错误的SLI会导致误判服务健康状态，使SLO失去意义。本节将深入讲解如何基于四大黄金信号（延迟、错误率、吞吐量、饱和度）选择有效的SLI。

4.1 四大黄金信号概述

Google SRE团队总结出四个最能反映服务健康状况的核心信号。任何服务都可以从这四个维度进行度量，但并非每个维度都需要纳入SLO。选择哪些信号作为SLI，取决于服务的业务特性和用户预期。

4.2 延迟 (Latency) — 用户体验的晴雨表

延迟衡量服务响应请求的速度。用户对延迟的感知是非线性的：100ms以内的延迟几乎无感知，500ms开始感到卡顿，超过2秒用户可能流失。因此，延迟SLI通常关注高百分位值（如P90、P99），而非平均值。

• 选择原则：优先选择尾部延迟（P99/P999）作为SLI，因为平均值会掩盖慢请求问题。
• 度量方式：使用Prometheus Histogram或Summary，定义延迟分布桶（如 ≤100ms, ≤200ms, ≤500ms, ≤1s, ≤2s）。
• 常见陷阱：仅监控服务端处理时间，忽略网络传输和客户端渲染时间。建议从客户端或负载均衡器侧采集延迟数据。

# Prometheus Histogram 示例：记录HTTP请求延迟
http_request_duration_seconds_bucket{le="0.1"} 1024
http_request_duration_seconds_bucket{le="0.2"} 2048
http_request_duration_seconds_bucket{le="0.5"} 3072
http_request_duration_seconds_bucket{le="1.0"} 3584
http_request_duration_seconds_bucket{le="+Inf"} 4096

# 计算P99延迟的PromQL
histogram_quantile(0.99, 
  rate(http_request_duration_seconds_bucket[5m])
)

4.3 错误率 (Error Rate) — 服务健康的直接体现

错误率是最直观的SLI。但“错误”的定义需要谨慎：并非所有HTTP 5xx都是服务端错误，也并非所有HTTP 200都是成功。例如，返回200但业务逻辑处理失败（如“用户不存在”），应视为隐式错误。

• 显式错误：HTTP 5xx、TCP连接超时、gRPC UNAVAILABLE。
• 隐式错误：HTTP 200但业务code非0、返回空数据但预期有结果、响应时间超过SLO阈值（即使状态码为200）。
• 选择原则：错误SLI必须包含显式+隐式错误的总和。仅监控5xx会遗漏大量业务故障。

# 错误率计算示例（包含显式和隐式错误）
# 假设业务指标：http_requests_total{status="200", biz_code="0"} 为成功
# 错误请求 = 总请求 - 成功请求
(
  sum(rate(http_requests_total[5m]))
  -
  sum(rate(http_requests_total{status="200", biz_code="0"}[5m]))
)
/ sum(rate(http_requests_total[5m]))

4.4 吞吐量 (Traffic/Throughput) — 负载的度量

吞吐量衡量服务处理的请求量或数据量。虽然吞吐量本身通常不作为SLO目标（因为用户不关心QPS高低，只关心请求是否成功），但它是诊断延迟和错误率变化的关键上下文。

• 典型指标：QPS（每秒查询数）、RPS（每秒请求数）、带宽（bps）、并发连接数。
• 选择原则：吞吐量SLI主要用于容量预警和异常检测。当吞吐量突增或突降时，往往预示着问题。
• 与饱和度联动：吞吐量接近系统上限时，延迟会急剧上升。将吞吐量与饱和度结合分析，可以提前发现容量瓶颈。

4.5 饱和度 (Saturation) — 容量瓶颈的预警

饱和度衡量服务资源被消耗的程度。当资源接近100%时，服务质量会急剧下降。饱和度SLI是预测性指标，能在延迟和错误率恶化之前发出预警。

• 常见资源：CPU、内存、磁盘I/O、网络带宽、数据库连接池、线程池队列深度。
• 选择原则：选择最稀缺或最容易成为瓶颈的资源作为饱和度SLI。例如，CPU密集型服务关注CPU使用率；I/O密集型服务关注磁盘延迟和队列长度。
• 阈值设定：不要等到100%才告警。通常设定在70%-80%作为预警阈值，90%以上为严重告警。

# 饱和度SLI示例：CPU使用率
100 - (avg by(instance) (rate(node_cpu_seconds_total{mode="idle"}[5m])) * 100)

# 数据库连接池饱和度
(avg by(service) (db_connections_in_use) / avg by(service) (db_connections_max)) * 100

4.6 四大黄金信号的关系与选择策略

四大信号并非孤立存在，它们之间存在因果关系。理解这些关系有助于选择最有效的SLI组合。

4.7 SLI选择决策矩阵

针对不同类型的服务，推荐以下SLI选择策略：

4.8 从黄金信号到SLI的转化步骤

将黄金信号转化为可度量的SLI，需要遵循以下步骤：

1. 定义用户旅程：明确用户的核心操作是什么（如登录、搜索、下单）。
2. 确定关键信号：根据服务类型，从四大黄金信号中选择1-2个最相关的信号。
3. 设定度量方式：确定如何采集数据（客户端埋点、服务端日志、中间件指标）。
4. 定义成功标准：明确什么是“好”的指标值（如P99延迟 ≤ 200ms，错误率 ≤ 0.1%）。
5. 验证相关性：通过历史数据验证SLI的波动是否与用户体验变化一致。