2. Prometheus 误差预算计算：基于 Histogram 的 SLI 计算、基于 Counter 的 SLI 计算、误差预算率公式推导

误差预算（Error Budget）是 SRE 实践中的核心量化指标，它定义了服务在给定时间窗口内允许的最大不可用或低质量时间。要准确计算误差预算，首先需要从 Prometheus 指标中提取服务等级指标（SLI），然后根据 SLI 与 SLO 目标值推导出误差预算率。本章将系统讲解基于 Histogram 和 Counter 两种主流数据类型的 SLI 计算方法，并完成误差预算率的完整公式推导。

2.1 基于 Histogram 的 SLI 计算

Histogram（直方图）是 Prometheus 中最常用的 SLI 数据源，特别适用于延迟类指标（如请求耗时、响应时间）。Histogram 通过多个桶（bucket）记录观测值的分布，每个桶统计小于等于该桶上界值的样本数量。

2.1.1 Histogram 数据结构与 SLI 提取

典型的 HTTP 请求延迟 Histogram 指标如下：

# HELP http_request_duration_seconds request latency histogram
# TYPE http_request_duration_seconds histogram
http_request_duration_seconds_bucket{le="0.1"} 2400
http_request_duration_seconds_bucket{le="0.25"} 4500
http_request_duration_seconds_bucket{le="0.5"} 6200
http_request_duration_seconds_bucket{le="1.0"} 7100
http_request_duration_seconds_bucket{le="2.5"} 7350
http_request_duration_seconds_bucket{le="5.0"} 7400
http_request_duration_seconds_bucket{le="+Inf"} 7420
http_request_duration_seconds_count 7420
http_request_duration_seconds_sum 1283.5

要计算延迟类 SLI（例如：99% 的请求在 500ms 内完成），我们需要从 Histogram 中提取“良好请求”的数量。良好请求定义为延迟 ≤ SLO 阈值的请求。假设 SLO 阈值为 0.5 秒，则良好请求数即为 le="0.5" 桶的累积值。

2.1.2 基于 Histogram 的 SLI 计算步骤

1. 确定 SLO 阈值：例如延迟 SLO 为 “99% 的请求在 500ms 内完成”，则阈值为 0.5 秒。
2. 提取良好请求数：使用 PromQL 查询 http_request_duration_seconds_bucket{le="0.5"}。
3. 提取总请求数：使用 http_request_duration_seconds_count。
4. 计算 SLI 比率：SLI = 良好请求数 / 总请求数。

对应的 PromQL 表达式：

# 延迟 SLI（良好请求占比）
(
  sum(rate(http_request_duration_seconds_bucket{le="0.5"}[5m]))
  /
  sum(rate(http_request_duration_seconds_count[5m]))
)

2.1.3 Histogram 计算的注意事项

注意事项	说明
桶边界选择	SLO 阈值必须与某个桶边界对齐，否则无法精确计算良好请求数。若阈值介于两个桶之间，需使用线性插值估算。
累积计数特性	Histogram 的桶是累积的，le="0.5" 包含所有 ≤0.5 秒的请求，无需额外累加。
速率 vs 原始值	计算 SLI 时通常使用 rate() 或 increase() 函数，避免因重启或时间窗口导致计数偏差。
多维度聚合	若服务有多个实例或端点，需使用 sum() 聚合所有相关维度。

2.2 基于 Counter 的 SLI 计算

Counter（计数器）适用于可用性、错误率等累加型指标。与 Histogram 不同，Counter 不提供分布信息，而是直接记录事件发生的次数。基于 Counter 的 SLI 计算通常用于“成功/失败”二元判定场景。

2.2.1 Counter 数据结构与 SLI 提取

典型的 HTTP 请求状态 Counter 指标如下：

# HELP http_requests_total total number of HTTP requests
# TYPE http_requests_total counter
http_requests_total{status="200"} 15000
http_requests_total{status="404"} 120
http_requests_total{status="500"} 35

要计算可用性 SLI（例如：99.9% 的请求成功），我们需要将状态码为 2xx/3xx 的请求视为成功，其余视为失败。

2.2.2 基于 Counter 的 SLI 计算步骤

1. 定义成功条件：例如 HTTP 状态码为 2xx 或 3xx 视为成功。
2. 提取成功请求数：使用 PromQL 过滤成功状态码并求和。
3. 提取总请求数：所有状态码的请求总数。
4. 计算 SLI 比率：SLI = 成功请求数 / 总请求数。

对应的 PromQL 表达式：

# 可用性 SLI（成功请求占比）
(
  sum(rate(http_requests_total{status=~"2[0-9][0-9]|3[0-9][0-9]"}[5m]))
  /
  sum(rate(http_requests_total[5m]))
)

2.2.3 Counter 与 Histogram 的对比

对比维度	Histogram	Counter
适用场景	延迟、响应时间等分布型指标	可用性、错误率等累加型指标
数据粒度	提供分布信息（多桶）	仅提供总数
SLI 计算方式	良好请求数 = 桶值（le ≤ 阈值）	成功请求数 = 过滤条件求和
精度	受桶边界影响，可能需插值	精确计数，无分布误差
存储开销	较高（多桶 + 多标签）	较低（单指标 + 标签）

2.3 误差预算率公式推导

误差预算率（Error Budget Rate）是衡量 SLO 合规状态的核心指标，它表示在给定时间窗口内，服务已经消耗的误差预算比例。当误差预算率接近或超过 100% 时，意味着服务正在违反 SLO。

2.3.1 核心变量定义

变量	含义	单位
SLO_target	服务等级目标（例如 99.9%）	百分比
SLI	实际测量的服务等级指标	百分比
total_requests	时间窗口内的总请求数	计数
good_requests	时间窗口内的良好请求数	计数
bad_requests	时间窗口内的不良请求数（bad = total - good）	计数
error_budget_total	时间窗口内允许的最大不良请求数	计数
error_budget_consumed	时间窗口内已发生的不良请求数	计数
error_budget_rate	误差预算消耗率（已消耗 / 总预算）	百分比

2.3.2 公式推导过程

步骤 1：计算总误差预算

总误差预算 = 时间窗口内允许的不良请求数。根据 SLO 定义：

error_budget_total = total_requests × (1 - SLO_target)

例如，若 SLO_target = 99.9%，则允许的不良请求比例为 0.1%。

步骤 2：计算已消耗的误差预算

已消耗的误差预算 = 实际发生的不良请求数：

error_budget_consumed = bad_requests = total_requests - good_requests

步骤 3：计算误差预算率

误差预算率 = 已消耗预算 / 总预算：

error_budget_rate = error_budget_consumed / error_budget_total

代入变量：

error_budget_rate = (total_requests - good_requests) / (total_requests × (1 - SLO_target))

化简为：

error_budget_rate = (1 - SLI) / (1 - SLO_target)

其中 SLI = good_requests / total_requests。

2.3.3 公式解读与示例

• 当 SLI = SLO_target 时：error_budget_rate = 1，表示预算刚好用完。
• 当 SLI > SLO_target 时：error_budget_rate < 1，表示预算有剩余。
• 当 SLI < SLO_target 时：error_budget_rate > 1，表示预算超支，SLO 被违反。

示例计算：

假设 SLO_target = 99.9%，当前 SLI = 99.5%：

error_budget_rate = (1 - 0.995) / (1 - 0.999) = 0.005 / 0.001 = 5.0

这意味着误差预算消耗率达到了 500%，服务严重违反 SLO。

2.4 误差预算计算流程总览

下图展示了从原始指标到误差预算率的完整计算流程：

2.5 误差预算率在 PromQL 中的实现

将上述公式转换为 PromQL 查询语句，即可实时计算误差预算率：

# 基于 Histogram 的误差预算率（延迟 SLO 示例）
(
  1 - (
    sum(rate(http_request_duration_seconds_bucket{le="0.5"}[5m]))
    /
    sum(rate(http_request_duration_seconds_count[5m]))
  )
)
/
(
  1 - 0.999  # SLO_target = 99.9%
)

# 基于 Counter 的误差预算率（可用性 SLO 示例）
(
  1 - (
    sum(rate(http_requests_total{status=~"2[0-9][0-9]|3[0-9][0-9]"}[5m]))
    /
    sum(rate(http_requests_total[5m]))
  )
)
/
(
  1 - 0.999  # SLO_target = 99.9%
)

通过本章的学习，你已经掌握了基于 Histogram 和 Counter 的 SLI 计算方法，以及误差预算率的完整公式推导。这些知识是后续告警降噪策略和阈值联动设计的基础。