1. SLO 与误差预算基础
在站点可靠性工程（SRE）体系中，SLO（Service Level Objective，服务等级目标）与Error Budget（误差预算）是驱动可靠性决策的两个核心杠杆。理解这两个概念，是构建 Prometheus 误差预算台账的前提。
1.1 什么是 SLO（服务等级目标）
SLO 是服务所有者为其服务设定的目标可靠性水平，通常以“在特定时间窗口内，满足某个 SLI（服务等级指标）阈值的比例”来表示。SLO 不是 100%，而是经过业务与成本权衡后确定的合理目标值。
| 概念 | 定义 | 示例 |
|---|---|---|
| SLI | 服务等级指标，可量化的服务质量度量 | 请求延迟 P99 ≤ 200ms |
| SLO | 服务等级目标，SLI 的目标达标比例 | 过去 30 天内，99.9% 的请求延迟 P99 ≤ 200ms |
| SLA | 服务等级协议，对外承诺的合同条款 | 若低于 99.9%，提供 10% 月度退款 |
关键区别：SLO 是内部目标，通常比 SLA 更严格（例如内部 SLO 为 99.95%，对外 SLA 为 99.9%），为可靠性留出缓冲空间。
1.2 什么是误差预算（Error Budget）
误差预算 = 1 − SLO。它表示在 SLO 时间窗口内，服务允许发生故障或性能降级的总时间/总请求比例。误差预算将“可靠性”转化为一个可消耗、可管理的量化资源。
- 计算方式：若 SLO = 99.9%（30 天窗口），则误差预算 = 0.1% = 30 天 × 1440 分钟 × 0.1% ≈ 43.2 分钟。
- 消耗机制：每次请求失败、延迟超标或错误响应，都会消耗误差预算。
- 剩余监控：通过 Prometheus 持续计算当前已消耗的误差预算比例，判断服务是否处于安全区间。
1.3 为什么误差预算对 SRE 至关重要
误差预算将可靠性从“模糊的追求”转变为可量化、可决策的工程指标。它在 SRE 实践中扮演以下关键角色：
- 平衡可靠性与创新速度：误差预算为“允许犯错”划定了明确边界。预算充足时，团队可以放心发布新功能；预算耗尽时，必须暂停发布并优先修复稳定性。
- 消除报警疲劳：传统监控中，任何异常都可能触发报警。误差预算机制只关注“是否消耗了预算”，避免对单次故障的过度反应。
- 驱动客观决策：基于误差预算的剩余比例，可以制定自动化的发布门禁、容量规划、故障优先级排序等策略。
- 对齐业务与工程目标：SLO 由业务需求驱动，误差预算将业务容忍度转化为工程团队的每日操作指标。
实战建议：在 Prometheus 中，使用
histogram_quantile 和 rate 函数组合，可以实时计算 SLI 达标率，进而推导出当前误差预算消耗量。这是后续章节构建“误差预算台账”的核心 PromQL 模式。
1.4 误差预算驱动的决策循环
误差预算不是静态数字，而是驱动 SRE 闭环流程的核心信号。下图展示了从 SLO 定义到自动化决策的完整链路：
常见误区：不要将误差预算视为“可以浪费的额度”。误差预算的核心价值在于风险量化——它告诉你当前服务距离违反 SLO 还有多远，而不是鼓励你故意消耗预算。在 Prometheus 台账中，应同时关注“消耗速率”和“剩余比例”两个维度。