📚 课程目录第2章 Golden Signals概述

2. Golden Signals 概述：Google SRE 四大黄金指标

在 SRE 实践中，监控指标的数量可能成千上万，但真正能反映系统健康状态、指导故障应急与容量规划的，是 Google 在《SRE 运维解密》中提出的 四大黄金信号（Golden Signals）：延迟（Latency）、流量（Traffic）、错误（Errors）、饱和度（Saturation）。这四个维度构成了可观测性的最小完备集，也是质量门禁策略的指标底座。

  核心观点： 如果只能监控 4 个指标，那就选 Golden Signals。它们覆盖了用户体验、业务负载、系统正确性与资源瓶颈，缺一不可。

2.1 四大黄金指标定义与核心价值

指标	定义	核心价值	典型度量对象
延迟（Latency）	请求从发出到收到完整响应所消耗的时间	直接反映用户体验；区分成功请求与失败请求的延迟	P50/P95/P99 响应时间、网络往返时间
流量（Traffic）	系统当前承载的请求量级或数据吞吐量	衡量业务负载规模，用于容量规划与弹性伸缩	QPS、RPS、带宽、并发连接数
错误（Errors）	请求处理失败的比率或数量	判断系统是否在正确提供服务；包含显式错误与隐式错误	HTTP 5xx 率、4xx 率、业务错误码、超时
饱和度（Saturation）	系统资源被使用的程度，通常以百分比或剩余容量表示	预警资源瓶颈，在延迟恶化前提前干预	CPU 使用率、内存占用、磁盘 I/O 队列、连接池水位

关键区分： 延迟与饱和度容易混淆。延迟是结果，饱和度是原因。当 CPU 饱和度超过 80% 时，请求排队导致延迟飙升——先有饱和度升高，后有延迟恶化。

2.2 四大黄金指标的关系模型

四个指标并非孤立存在，而是构成一个因果闭环：流量驱动饱和度变化，饱和度影响延迟，延迟与错误共同决定用户体验。下图展示了这一核心关系。

2.3 各指标在日志质量门禁中的落地要点

在日志驱动的质量门禁体系中，Golden Signals 需要从原始日志中提取、聚合，并转化为可触发门禁的指标。以下是每个指标的日志化落地要点：

延迟（Latency）：日志中必须记录 request_duration_ms 或 response_time 字段。门禁关注 P99 延迟是否超过阈值（如 500ms），以及成功请求与失败请求的延迟分离。
流量（Traffic）：通过日志计数统计 QPS/RPS。门禁关注流量突增（如 5 分钟内增长 3 倍）或突降（可能表示上游故障）。
错误（Errors）：日志中需明确标记 status_code、error_code。门禁关注错误率（如 5xx 率 > 1%）或特定业务错误码的值。
饱和度（Saturation）：日志中可携带 cpu_usage、memory_usage、queue_depth 等上下文。门禁关注饱和度是否超过 80% 且持续上升。

常见陷阱： 只监控平均延迟而忽略 P99；只统计 HTTP 5xx 而忽略业务逻辑错误（如返回 200 但 body 中 error=true）；将饱和度与延迟混为一谈，导致告警滞后。质量门禁必须对四个指标分别设置独立阈值与聚合窗口。

2.4 从指标到门禁：一个日志驱动的示例

假设一个 API 网关的日志行包含以下结构化字段：

{
  "timestamp": "2025-03-01T10:00:00Z",
  "method": "POST",
  "path": "/api/order",
  "status_code": 200,
  "duration_ms": 450,
  "cpu_usage_pct": 72,
  "error_code": ""
}

基于此日志，质量门禁可以定义如下规则：

门禁规则	Golden Signal	触发条件	动作
高延迟阻断	延迟	P99 duration_ms > 1000ms 持续 2 分钟	拒绝新请求，返回 503
流量突增告警	流量	QPS 较基线增长 > 200%	触发弹性扩容
错误率熔断	错误	5xx 率 > 5% 持续 1 分钟	熔断下游调用
饱和度预缩容	饱和度	cpu_usage_pct > 85% 持续 3 分钟	提前扩容或降级非核心功能

这四条规则覆盖了四大黄金信号，且全部基于日志中的结构化字段实时计算，无需额外埋点——这正是“日志驱动 Golden Signals”的核心优势。

2.5 本章小结

延迟：用户体验的直接度量，必须区分成功/失败请求。
流量：业务负载的规模信号，用于容量与弹性决策。
错误：系统正确性的晴雨表，包含显式与隐式错误。
饱和度：资源瓶颈的前置预警，是延迟恶化的根因之一。
四个指标构成因果链，质量门禁必须同时覆盖，缺一不可。