📚 课程目录第4章误差预算计算模型

4. 误差预算计算模型：基于SLI的误差消耗速率计算、窗口期算法、燃烧速率告警

误差预算（Error Budget）是SRE实践中的核心量化工具，它将服务可靠性目标转化为可消耗的“预算”。本章聚焦于误差预算的计算模型，重点讲解如何基于SLI计算误差消耗速率、设计窗口期算法，并实现燃烧速率告警，从而在可靠性风险累积的早期阶段触发响应。

误差预算定义为在SLO窗口期内允许的最大不可用时间或错误次数。其核心公式为：

Error Budget = (1 - SLO) × Total Events (or Time Window)

例如：SLO = 99.9%，窗口期 = 30天
Error Budget = (1 - 0.999) × 30 × 24 × 3600 = 2592 秒（约43分钟）

误差消耗速率（Error Budget Burn Rate）衡量预算被消耗的速度，是触发告警的关键指标。其计算方式为：

Burn Rate = (实际错误率 - 目标错误率) / (1 - SLO)

当 Burn Rate > 1 时，表示预算消耗速度超过预期，服务正在“超支”。

  关键概念： 误差消耗速率是SLI到SLO偏差的归一化度量。Burn Rate = 1 表示恰好按预期消耗；Burn Rate = 2 表示消耗速度是预期的两倍，预算将在窗口期一半时耗尽。

窗口期算法决定了误差预算的计算粒度和告警灵敏度。常见的窗口期设计包括固定窗口、滑动窗口和多窗口组合策略。

在实际工程中，推荐使用多窗口组合算法：短窗口（如1小时）用于快速检测突发错误，长窗口（如30天）用于评估长期趋势。误差预算的剩余量通过滑动窗口实时更新：

剩余预算 = 初始预算 - 滑动窗口内累计错误数

当剩余预算 < 阈值（如50%、25%、10%）时，触发不同级别的告警。

工程实践： 滑动窗口的步长建议设置为窗口长度的1/10。例如，1小时窗口每6分钟计算一次，30天窗口每3天计算一次。这能在计算精度与资源消耗之间取得平衡。

燃烧速率告警（Burn Rate Alerting）是Google SRE推荐的告警策略，它基于误差消耗速率而非错误数触发告警。核心思想是：当预算消耗速度超过预设阈值时，即使剩余预算还很多，也应立即告警。

燃烧速率告警的典型配置包含两个维度：

告警触发条件为：在指定窗口内，平均燃烧速率持续超过阈值。例如：

告警规则示例：
- P0告警：Burn Rate > 10 持续 5 分钟（预算将在3小时内耗尽）
- P1告警：Burn Rate > 5 持续 30 分钟（预算将在6小时内耗尽）
- P2告警：Burn Rate > 2 持续 2 小时（预算将在15小时内耗尽）

避坑指南： 不要仅依赖单一窗口的燃烧速率。短窗口（如1分钟）容易因瞬时抖动产生误报；长窗口（如24小时）可能延迟告警。建议至少使用两个不同粒度的窗口组合，并设置“持续时长”条件来过滤毛刺。

下图展示了基于SLI的误差预算计算模型整体架构，涵盖数据采集、窗口计算、燃烧速率检测和告警触发链路。

燃烧速率告警的数学基础建立在误差预算消耗模型上。设SLO目标为 \( S \)，窗口期长度为 \( T \)，则初始预算 \( B_0 = (1 - S) \times T \)。

在时间 \( t \) 内，实际错误率为 \( E(t) \)，消耗的预算为：

消耗预算 = E(t) × t

剩余预算 B(t) = B_0 - E(t) × t

燃烧速率 R(t) = E(t) / (1 - S)

告警触发条件为：存在时间区间 \( [t_0, t_0 + \Delta t] \)，使得平均燃烧速率 \( \bar{R} > R_{threshold} \)。

预算耗尽时间 \( T_{exhaust} \) 可通过下式估算：

T_exhaust = B_0 / (E(t) × R(t)) = T / R(t)

例如：R(t) = 5，窗口期 T = 30天 → 预算将在 30/5 = 6天内耗尽

  工程启示： 燃烧速率告警的核心优势在于“提前量”。当 Burn Rate = 2 时，虽然剩余预算可能还有80%，但按当前速度将在15天内耗尽（30天窗口）。这比等到预算剩余10%再告警提前了12天，为故障响应争取了宝贵时间。

误差预算台账（Error Budget Ledger）是记录预算消耗历史的持久化存储，用于审计、分析和容量规划。台账字段设计如下：

采集链路优化建议：

最佳实践： 将误差预算台账与告警事件关联，形成“预算消耗-告警触发-故障恢复”的完整链路。当故障发生时，台账能清晰展示预算在哪个时间点开始加速消耗，帮助快速定位根因。

误差预算计算模型是SRE可观测性的核心量化工具。通过基于SLI的误差消耗速率计算、多窗口期算法设计和燃烧速率告警，团队能够在可靠性风险累积的早期阶段获得预警。关键要点包括：