2. SLI 定义与选择：如何定义 SLI、常见类型与关键原则

SLI（Service Level Indicator，服务等级指标）是衡量服务质量某一维度的量化指标。它是 SRE 可观测性体系的基石——没有 SLI，就无法计算误差预算，也无法判断服务是否处于健康状态。本节将系统讲解 SLI 的定义方法、四大常见类型以及选择关键 SLI 的核心原则。

2.1 什么是 SLI？

SLI 是对服务行为某个方面的直接测量值，通常表示为一段时间内的比率、计数或分布。例如：“过去 5 分钟内，所有 HTTP GET 请求中响应时间小于 200ms 的比例”。

SLI 必须满足以下三个条件：

• 可测量：能从监控系统中直接采集或计算得到
• 可理解：团队内外对指标含义有一致认知
• 可行动：当 SLI 恶化时，能触发明确的响应动作

2.2 四大常见 SLI 类型

Google SRE 经典分类将 SLI 归纳为四个黄金信号（The Four Golden Signals）。下表对比了每种类型的定义、典型指标和 Prometheus 示例查询：

histogram_quantile(0.99, rate(http_request_duration_seconds_bucket[5m]))

sum(rate(http_requests_total{status=~"5.."}[5m])) / sum(rate(http_requests_total[5m]))

sum(rate(http_requests_total[5m]))

avg(rate(node_cpu_seconds_total{mode="idle"}[5m])) < 0.2

2.3 如何定义 SLI？——三步法

定义 SLI 不是随意选择一个指标，而是需要遵循结构化流程。以下三步法可帮助团队快速落地：

1. 确定用户旅程：识别对用户最重要的操作（如登录、搜索、下单）
2. 选择黄金信号：为每个用户旅程从延迟、错误率、吞吐量、饱和度中选择 1-2 个维度
3. 设定阈值与窗口：定义“好事件”的标准（如 p99 < 300ms）和评估时间窗口（如 5 分钟、1 小时）

以下 SVG 展示了从用户请求到 SLI 定义的完整流程：

2.4 选择关键 SLI 的原则

并非所有指标都适合作为 SLI。选择不当会导致监控噪音或遗漏真实问题。以下是经过大量生产环境验证的五大原则：

2.5 实战案例：为电商下单服务定义 SLI

假设我们有一个电商下单服务（order-service），用户旅程为“提交订单并返回成功”。按照三步法：

• 用户旅程：用户点击“提交订单” → 后端校验库存 → 扣减库存 → 生成订单 → 返回订单 ID
• 选择信号：延迟（p99 < 1s）、错误率（HTTP 5xx + 业务错误码 < 0.5%）
• 设定阈值与窗口：滚动 5 分钟窗口，SLI = 符合延迟和错误率阈值的请求占比

对应的 Prometheus 指标定义如下：

# 延迟 SLI：p99 响应时间 < 1s
histogram_quantile(0.99, rate(order_request_duration_seconds_bucket[5m]))

# 错误率 SLI：非成功请求占比 < 0.5%
(
  sum(rate(order_requests_total{status!~"2.."}[5m]))
  /
  sum(rate(order_requests_total[5m]))
)

以下 SVG 展示了下单服务的 SLI 监控架构：

2.6 SLI 选择检查清单

在最终确定 SLI 之前，建议团队对照以下清单逐项确认：

• ☐ 该 SLI 是否直接反映用户可感知的体验？
• ☐ 该 SLI 是否能在生产环境中持续采集（无盲区）？
• ☐ 该 SLI 是否与一个明确的 SLO 目标绑定？
• ☐ 该 SLI 的“好事件”定义是否清晰无歧义？
• ☐ 该 SLI 是否覆盖了服务的关键路径（而非边缘路径）？
• ☐ 该 SLI 的数量是否控制在 3-5 个以内？