3. Error Budget 基础：定义、来源与计算公式

Error Budget（错误预算）是连接服务可靠性目标与日常运维决策的核心量化工具。它回答了这样一个问题：在保证用户满意的前提下，服务可以“不健康”多长时间？理解 Error Budget 的定义、来源与计算方式，是后续进行容量水位协同优化的前提。

3.1 Error Budget 的定义

Error Budget 是指在给定时间窗口内，服务允许违反 SLO（服务等级目标）的最大累计时间或比例。它本质上是 1 减去 SLO 目标值 所对应的“可容忍错误额度”。

• 核心思想：100% 可靠性既不现实也不经济。Error Budget 将可靠性目标转化为一个可消耗的“预算”，允许团队在预算范围内进行变更、发布或容量调整。
• 消费与告警：当错误消耗超过预算时，触发告警并需要暂停高风险操作（如新版本发布），优先恢复稳定性。
• 协同价值：在容量规划中，Error Budget 直接反映了当前服务是否处于“健康冗余”状态，为扩容或缩容提供决策依据。

3.2 Error Budget 的来源：SLO 与 SLI

Error Budget 并非凭空产生，它由 SLI（服务等级指标） 和 SLO（服务等级目标） 共同定义。

3.3 Error Budget 计算公式

Error Budget 的计算取决于 SLO 的定义方式（基于请求计数或基于时间窗口）以及时间窗口长度。以下是两种最常见的计算口径：

3.3.1 基于请求计数的 Error Budget

适用于成功率类 SLO（如请求成功率、可用性）。

Error Budget (请求数) = 总请求数 × (1 - SLO)

示例：
- 月度总请求数 = 10,000,000
- SLO = 99.95% (0.9995)
- Error Budget = 10,000,000 × (1 - 0.9995) = 10,000,000 × 0.0005 = 5,000 次失败请求

3.3.2 基于时间窗口的 Error Budget

适用于时长类 SLO（如可用时间、无故障时间）。

Error Budget (时间) = 总时间窗口 × (1 - SLO)

示例：
- 月度总时间 = 30 天 × 24 小时 × 60 分钟 = 43,200 分钟
- SLO = 99.9% (0.999)
- Error Budget = 43,200 × (1 - 0.999) = 43,200 × 0.001 = 43.2 分钟

3.4 Error Budget 消耗与剩余

在实际运维中，我们不仅需要知道总预算，还需要实时跟踪 已消耗预算 和 剩余预算。

3.5 多 SLO 场景下的 Error Budget 聚合

一个服务通常包含多个 SLI（如延迟、成功率、吞吐量），每个 SLI 对应一个 SLO。此时需要定义 复合 Error Budget 或 最差 Error Budget。

• 复合 Error Budget：将所有 SLI 的 Error Budget 加权求和，适用于整体健康度评估。
• 最差 Error Budget：取所有 SLI 中剩余预算最小的那个作为决策依据，适用于严格可靠性场景。
• 推荐实践：在容量规划中，建议使用“最差 Error Budget”作为水位判断的保守口径，避免因单一指标掩盖容量风险。