3、误差预算核心指标：SLI指标设计、燃烧速率（Burn Rate）与剩余预算的计算逻辑

误差预算（Error Budget）是 SRE 实践的核心量化工具，它将系统可靠性从“尽可能高”的模糊目标，转化为可度量、可管理的工程指标。本章聚焦于误差预算台账中的三个核心要素：SLI（Service Level Indicator）、燃烧速率（Burn Rate）与剩余预算（Remaining Budget）。理解这三者的定义、设计原则与计算逻辑，是构建有效告警与容量规划的基础。

3.1 SLI 指标设计：从原始数据到可聚合的可靠性度量

SLI 是服务可靠性的直接量化指标，通常定义为“好事件”占总事件的比例。设计 SLI 时，需要明确三个要素：测量对象、好事件定义与时间窗口。

3.1.1 常见 SLI 类型与 PromQL 表达

在误差预算台账中，我们通常将 SLI 聚合为时间窗口内的好事件比例：

# 计算过去 30 天的请求成功率 SLI
(
  sum(rate(http_requests_total{status!~"5.."}[30d]))
  /
  sum(rate(http_requests_total[30d]))
)

3.1.2 SLI 设计检查清单

• 可测量性：指标是否可以从现有监控系统直接获取或计算？
• 用户相关性：指标是否反映用户实际体验？
• 可聚合性：指标是否支持按服务、版本、区域等维度进行聚合？
• 稳定性：指标在正常波动下是否保持稳定，避免频繁触发告警？

3.2 燃烧速率（Burn Rate）计算逻辑

燃烧速率衡量的是错误预算消耗的速度。它定义为“实际错误率”与“SLO 允许的错误率”之比。当燃烧速率 > 1 时，表示错误预算正在以快于预期的速度消耗。

3.2.1 燃烧速率公式

Burn Rate = (1 - SLI) / (1 - SLO)

其中：

• SLI：当前时间窗口内的实际好事件比例（例如 0.995）
• SLO：目标好事件比例（例如 0.999）

示例：若 SLO 为 99.9%（0.999），当前 SLI 为 99.5%（0.995），则：

Burn Rate = (1 - 0.995) / (1 - 0.999) = 0.005 / 0.001 = 5

这意味着错误预算的消耗速度是预期的 5 倍。

3.2.2 多窗口燃烧速率告警策略

在实际 SRE 实践中，通常使用多窗口（例如 1 小时、5 小时、30 小时）的燃烧速率来触发不同级别的告警。下表展示了 Google SRE 推荐的典型配置：

3.3 剩余预算（Remaining Budget）计算逻辑

剩余预算表示在 SLO 周期内，系统还能容忍多少错误而不违反 SLO。它是误差预算台账中最直观的“健康度”指标。

3.3.1 剩余预算公式

Remaining Budget = 1 - (Total Errors / Allowed Errors)

其中：

• Total Errors：SLO 周期内累计的错误事件数
• Allowed Errors：SLO 周期内允许的最大错误事件数 = 总事件数 × (1 - SLO)

示例：若 SLO 周期为 30 天，总请求数为 10,000,000，SLO 为 99.9%，则允许错误数为 10,000。若当前已发生 2,000 个错误，则：

Remaining Budget = 1 - (2000 / 10000) = 0.8 = 80%

表示还有 80% 的预算可用。

3.3.2 PromQL 实现剩余预算

# 计算 30 天窗口内的剩余预算
(
  1
  -
  (
    sum(increase(errors_total[30d]))
    /
    (
      sum(increase(requests_total[30d]))
      *
      (1 - 0.999)  # SLO = 99.9%
    )
  )
)

3.4 核心指标关系图

下图展示了 SLI、SLO、燃烧速率与剩余预算之间的逻辑关系：

3.5 实践案例：构建误差预算台账

假设某 API 服务的 SLO 为 99.9%（30 天滚动窗口），我们需要在 Prometheus 中构建误差预算台账。以下是一个完整的 PromQL 查询集：

# 1. SLI：30 天请求成功率
sli:request_success_rate:30d = (
  sum(rate(http_requests_total{status!~"5.."}[30d]))
  /
  sum(rate(http_requests_total[30d]))
)

# 2. 燃烧速率：1 小时窗口
burn_rate:1h = (
  (1 - sli:request_success_rate:1h)
  /
  (1 - 0.999)
)

# 3. 剩余预算
remaining_budget:30d = (
  1
  -
  (
    sum(increase(http_requests_total{status=~"5.."}[30d]))
    /
    (
      sum(increase(http_requests_total[30d]))
      * 0.001
    )
  )
)

3.6 常见陷阱与避坑指南

• 陷阱 1：使用 avg_over_time() 聚合 SLI 时，忽略了时间窗口内的请求量权重，导致 SLI 失真。应使用 sum(rate(...)) / sum(rate(...)) 形式。
• 陷阱 2：燃烧速率计算中，时间窗口与 SLO 周期不匹配。例如，使用 1 小时窗口计算 30 天 SLO 的燃烧速率，可能导致误告警。
• 陷阱 3：剩余预算为负时，未考虑“预算透支”后的恢复机制。实际上，剩余预算为负后，系统仍可正常运行，但需要在后续周期内通过更高的可靠性来“偿还”。