2. SLO 基础概念：服务水平目标 (SLO) 的定义、SLI 与 SLA 的区别、SLO 的常见类型

在可观测性与可靠性工程体系中，SLO（Service Level Objective，服务水平目标）是连接用户真实体验与运维动作的核心度量。没有 SLO，告警就失去了“是否值得被叫醒”的判断依据；没有 SLO，MTTR 复盘就缺少了“是否达到预期”的标尺。本章将系统拆解 SLO 的定义、与 SLI/SLA 的边界，以及最常见的三种 SLO 类型。

2.1 服务水平目标 (SLO) 的定义

SLO 是服务提供方为自己设定的、在一段评估窗口内必须达成的目标值或目标范围。它通常由一个或多个 SLI（Service Level Indicator，服务水平指标） 经过聚合计算后得出。SLO 不是合同承诺，而是内部工程团队用来判断服务“健康”还是“不健康”的阈值。

SLO 的关键属性：

• 可量化：必须基于可采集的 SLI 计算，不能是模糊描述。
• 有窗口：必须指定评估周期（滑动窗口、日历月、滚动周）。
• 有预算：每个 SLO 对应一个“错误预算”（1 - SLO），允许一定量的故障时间。
• 面向用户：SLO 应反映用户可感知的服务质量，而非基础设施内部指标。

2.2 SLI 与 SLA 的区别

SLI、SLO、SLA 是可靠性工程中三个层级的概念，经常被混淆。下表从定义、受众、严格程度三个维度进行对比：

2.3 SLO 的常见类型

在分布式追踪与微服务架构中，最常用的 SLO 类型集中在三个维度：可用性、延迟、错误率。这三种类型覆盖了用户对服务“能用、够快、正确”的核心诉求。

2.3.1 可用性 (Availability) SLO

定义服务在评估窗口内正常响应请求的时间比例。通常基于健康检查、请求成功率或 uptime 计算。

• 典型指标：请求成功数 / 总请求数 × 100%
• 常见目标：99.9%（“三个九”）、99.99%（“四个九”）
• 适用场景：核心 API、数据库、网关、DNS 解析

2.3.2 延迟 (Latency) SLO

定义服务在指定百分位（如 P50、P99）上的响应时间必须低于某个阈值。延迟 SLO 通常比可用性 SLO 更难达成，因为它对毛刺更敏感。

• 典型指标：P99 延迟 ≤ 500ms，P50 延迟 ≤ 100ms
• 常见目标：P99 延迟 ≤ 200ms 的比例 ≥ 99.5%
• 适用场景：用户交互接口、实时查询、流式处理

2.3.3 错误率 (Error Rate) SLO

定义服务返回错误（HTTP 5xx、业务异常、超时）的请求比例上限。错误率 SLO 是分布式追踪中最直接的“质量门禁”指标。

• 典型指标：错误请求数 / 总请求数 × 100%
• 常见目标：错误率 ≤ 0.1%
• 适用场景：支付链路、订单服务、数据写入

2.4 三种 SLO 类型的关系图

下图展示了可用性、延迟、错误率三种 SLO 在分布式追踪中的覆盖范围与重叠关系：

2.5 SLO 在质量门禁中的角色

在“质量门禁集成分布式追踪”的课程背景下，SLO 是门禁的判定标准。每次代码部署或配置变更后，门禁系统会对比实时 SLI 与 SLO 阈值：

1. 采集：从分布式追踪系统（如 Jaeger、Zipkin）拉取最近 5 分钟的 span 数据。
2. 计算：聚合出可用性、P99 延迟、错误率三个 SLI 值。
3. 判定：若任一 SLI 低于 SLO 阈值，则门禁失败，阻断发布并触发告警。
4. 复盘：MTTR 复盘时，以 SLO 违约时间线为锚点，回溯分布式追踪中的故障根因 span。