1. 误差预算基础：SLO与SLI定义、误差预算概念、误差预算在SRE中的核心作用
1.1 从可用性到可靠性度量
传统运维常以“几个9”衡量系统可用性（如99.9%、99.99%），但这种静态指标无法反映用户体验的真实波动。SRE（Site Reliability Engineering）引入了一套基于服务等级目标（SLO）和服务等级指标（SLI）的量化体系，并由此衍生出误差预算（Error Budget）这一核心管理工具。
核心转变：从“追求100%可用性”转向“在可接受的误差范围内，平衡可靠性与创新速度”。
1.2 SLI：服务等级指标
SLI 是对服务某个特定维度的量化测量，通常表示为一段时间内的好事件占比。常见的SLI维度包括：
| 维度 | 典型指标 | 测量方式 |
|---|---|---|
| 可用性 | 请求成功率 | 成功请求数 / 总请求数 |
| 延迟 | P99 响应时间 ≤ 200ms | 满足阈值的请求数 / 总请求数 |
| 吞吐量 | 每秒请求数（RPS） | 实际处理请求数 / 期望处理请求数 |
| 错误率 | HTTP 5xx 占比 | 错误请求数 / 总请求数 |
| 饱和度 | CPU/内存使用率 | 当前使用量 / 总容量 |
Kubernetes 场景提示：在集群层面，SLI 可以定义为 Pod 就绪率、API Server 请求延迟 P99、etcd 写入延迟等。每个微服务应有自己的 SLI 定义。
1.3 SLO：服务等级目标
SLO 是为 SLI 设定的目标阈值，是服务所有者对用户承诺的可靠性边界。SLO 通常表述为：
SLI ≤ 阈值，在 [时间窗口] 内达到 [目标百分比]示例：
- 可用性 SLO：请求成功率 ≥ 99.9%（月度滚动窗口）
- 延迟 SLO：P99 延迟 ≤ 200ms，满足率 ≥ 99.5%（28天窗口）
- Kubernetes 集群 SLO：API Server 可用性 ≥ 99.99%（季度窗口）
SLO 的设定需要平衡用户期望与运营成本。过于严苛的 SLO 会导致过度工程化，过于宽松则损害用户体验。
1.4 误差预算：可靠性的“预算”思维
误差预算 = 1 - SLO。它表示在给定时间窗口内，系统允许失效的总时间或总事件数。
计算示例：
| SLO | 误差预算（月度） | 允许停机时间（月度） |
|---|---|---|
| 99.9% | 0.1% | ≈ 43.2 分钟 |
| 99.99% | 0.01% | ≈ 4.32 分钟 |
| 99.999% | 0.001% | ≈ 25.9 秒 |
关键理解：误差预算不是“故障配额”，而是风险预算。只要未耗尽预算，团队可以安全地进行变更、发布新版本；一旦预算耗尽，必须暂停所有非关键变更，优先恢复可靠性。
1.5 误差预算在SRE中的核心作用
误差预算不仅是数学公式，更是SRE实践的决策引擎。其核心作用体现在以下四个维度：
- 量化可靠性风险：将抽象的“系统是否稳定”转化为具体的数字（剩余预算百分比），让团队对当前风险状态一目了然。
- 驱动变更决策：预算充足时，鼓励快速迭代和创新；预算耗尽时，强制暂停非关键变更，优先修复可靠性问题。
- 消除“可用性迷信”：不再追求不切实际的100%可用性，而是接受“系统必然存在故障”，并为之规划合理的容错空间。
- 对齐业务与技术目标：SLO和误差预算由产品、业务和技术团队共同制定，确保可靠性投入与业务价值匹配。
1.6 误差预算在Kubernetes集群中的特殊意义
在Kubernetes环境中，误差预算的应用具有以下特殊性：
- 多层嵌套：集群级SLO（如API Server可用性）与工作负载级SLO（如应用P99延迟）需要分层管理，下层预算耗尽会影响上层。
- 动态资源影响：Pod调度、自动扩缩容、节点故障等Kubernetes原生行为会直接影响SLI，进而消耗误差预算。
- 台账管理需求：需要为每个关键组件（etcd、kube-apiserver、kube-scheduler等）建立独立的误差预算台账，以便精准定位瓶颈。