1. 误差预算概念
1.1 误差预算的定义
误差预算（Error Budget）是 SRE 实践中的核心量化工具，它定义为 1 − SLO 所对应的可容忍失效时间或失效次数。通俗地说，误差预算就是服务在遵守 SLO 的前提下，允许“出错”的最大额度。
核心公式：
Error Budget = 1 − SLO（以百分比表示）
例如：SLO = 99.9%，则 Error Budget = 0.1%，对应每月约 43 分 12 秒的允许不可用时间。
Error Budget = 1 − SLO（以百分比表示）
例如：SLO = 99.9%，则 Error Budget = 0.1%，对应每月约 43 分 12 秒的允许不可用时间。
误差预算以时间或请求数为单位，将抽象的可靠性目标转化为可量化、可消耗的“预算”。团队可以像管理财务预算一样，跟踪预算的消耗速率，并据此做出运维与产品决策。
1.2 误差预算在 SRE 中的核心作用
误差预算在 SRE 体系中扮演着 决策天平 的角色，它解决了可靠性与创新速度之间的根本矛盾。其核心作用体现在以下四个维度：
| 作用维度 | 具体说明 | 业务价值 |
|---|---|---|
| 量化可靠性 | 将模糊的“系统稳定”转化为具体的数字指标，使团队对当前服务水平有统一认知 | 消除主观判断，建立客观基准 |
| 平衡风险与创新 | 当误差预算充足时，允许进行灰度发布、功能实验等高风险操作；预算不足时，冻结变更，聚焦稳定性 | 避免因过度保守而阻碍业务迭代 |
| 驱动运维决策 | 根据预算消耗速率决定是否触发告警、启动应急响应、回滚变更或启动容量扩容 | 从被动救火转向主动管理 |
| 对齐业务目标 | 将技术指标与业务 KPI（如用户留存、交易成功率）关联，使 SRE 工作直接服务于业务价值 | 提升技术投入的 ROI 可见性 |
实践要点： 误差预算不是“失败配额”，而是“创新燃料”。当预算充足时，团队应大胆尝试；当预算接近耗尽时，必须立即停止所有非必要的变更操作。
1.3 误差预算与 SLI / SLO 的关系
SLI（Service Level Indicator）、SLO（Service Level Objective）与 Error Budget 构成了 SRE 可靠性管理的 三要素模型。三者之间的关系可以用以下结构图清晰表达：
三者之间的逻辑链条可以总结为：
- SLI 是输入： 从监控系统中采集的原始指标数据，是判断服务是否健康的“传感器”。
- SLO 是目标： 基于 SLI 设定的阈值，代表团队对用户承诺的可靠性水平。
- Error Budget 是决策依据： 由 SLO 计算得出，用于指导日常运维与产品迭代的节奏。
常见误区： 不要将 Error Budget 视为“可以随意浪费的额度”。预算的消耗应伴随明确的决策流程，例如：当预算消耗超过 50% 时触发预警，超过 80% 时冻结所有变更。缺乏管控的预算消耗会导致 SLO 频繁被突破，最终损害用户信任。
1.4 误差预算的计量单位与换算
在实际工程中，误差预算通常以两种单位呈现，具体选择取决于 SLI 的类型：
| SLI 类型 | 误差预算单位 | 示例（SLO = 99.9%） | 适用场景 |
|---|---|---|---|
| 可用性型 | 时间（分钟/小时） | 每月允许不可用时间 ≈ 43 分钟 | HTTP 服务、API 网关 |
| 性能型 | 请求数或事件数 | 每百万请求允许 1000 个慢请求 | 数据库查询、消息队列 |
| 准确性型 | 记录数或比例 | 每万条记录允许 10 条错误 | 数据管道、推荐系统 |