1. 误差预算基础：定义、SLO与SLI的关系、核心价值
1.1 误差预算定义
误差预算（Error Budget）是SRE实践中的核心量化工具，它定义为服务在SLO（服务等级目标）允许范围内可承受的最大不可用时间或错误量。简单来说，误差预算 = 1 - SLO。
核心公式：
误差预算 = 100% - SLO（以百分比表示）
例如：SLO = 99.9%，则误差预算 = 0.1%，即每月（30天）允许的不可用时间为 30 × 24 × 60 × 0.1% = 43.2 分钟。
误差预算 = 100% - SLO（以百分比表示）
例如：SLO = 99.9%，则误差预算 = 0.1%，即每月（30天）允许的不可用时间为 30 × 24 × 60 × 0.1% = 43.2 分钟。
误差预算将抽象的可靠性目标转化为可量化、可消耗的“预算额度”，使团队能够基于数据而非直觉做出运维与研发决策。
| SLO | 误差预算（%） | 月度允许不可用时间 | 年度允许不可用时间 |
|---|---|---|---|
| 99.9% | 0.1% | 43.2 分钟 | 8.76 小时 |
| 99.95% | 0.05% | 21.6 分钟 | 4.38 小时 |
| 99.99% | 0.01% | 4.32 分钟 | 52.56 分钟 |
1.2 SLO与SLI的关系
理解误差预算必须先厘清SLI与SLO的层级关系：
- SLI（服务等级指标）：衡量服务质量的具体量化指标，如请求延迟P99、错误率、吞吐量等。
- SLO（服务等级目标）：为SLI设定的目标阈值，是团队承诺的服务质量边界。
- 误差预算：SLO与100%之间的差值，代表可容忍的“失效空间”。
三者构成一个完整的可靠性度量链：SLI → SLO → 误差预算。SLI是原始观测数据，SLO是目标承诺，误差预算则是基于SLO计算出的管理决策依据。
1.3 误差预算在SRE中的核心价值
误差预算不仅是度量工具，更是SRE运维决策的“指挥棒”。其核心价值体现在以下四个维度：
| 价值维度 | 具体说明 | 典型场景 |
|---|---|---|
| 1. 决策量化 | 将可靠性目标转化为可消耗的预算，使发布、变更、回滚等决策有数据支撑 | 当误差预算充足时，可加速发布；当预算耗尽时，暂停变更 |
| 2. 风险对冲 | 平衡“可靠性”与“创新速度”之间的矛盾 | 允许在预算内进行灰度发布、A/B测试，而不必追求100%可用 |
| 3. 告警降噪 | 基于误差预算消耗速率触发告警，而非基于单一阈值 | 当预算消耗速度超过预期时告警，避免“狼来了”式告警风暴 |
| 4. 团队对齐 | 为开发、运维、产品团队提供统一的可靠性语言 | 产品经理可基于误差预算评估功能上线风险，而非主观判断 |
实践要点：误差预算的核心价值在于将“可靠性”从抽象概念转化为可管理、可消耗的资产。团队应定期（如每周）审视误差预算消耗情况，并据此调整运维策略与研发节奏。
1.4 误差预算消耗与恢复机制
误差预算并非静态数值，而是随时间动态变化的“蓄水池”：
- 消耗：当服务发生故障、延迟升高或错误率增加时，误差预算被消耗。
- 恢复：当服务恢复正常运行，误差预算随时间推移逐步恢复（基于滑动时间窗口）。
- 窗口：通常使用30天滑动窗口计算，确保预算反映近期服务质量。
常见误区：误差预算不是“用完即止”的静态配额，而是基于滑动窗口的动态指标。即使某天预算耗尽，只要后续服务稳定运行，预算会逐步恢复。团队应关注预算消耗速率而非值。
1.5 误差预算在SRE工作流中的位置
误差预算贯穿SRE的日常运维与长期规划，形成闭环工作流：
- 定义SLI：选择关键服务质量指标（延迟、错误率、吞吐量等）。
- 设定SLO：基于业务需求与历史数据设定目标阈值。
- 计算误差预算：SLO与100%的差值即为可用预算。
- 监控消耗：实时追踪预算消耗速率与剩余量。
- 触发决策：预算充足时加速创新，预算不足时冻结变更。
- 复盘优化：定期回顾预算消耗模式，调整SLO或系统架构。
通过以上机制，误差预算将可靠性管理从“被动救火”转变为“主动经营”，使团队能够以数据驱动的方式平衡稳定性与迭代速度。