3. Error Budget 原理：SLO 与 SLI 的定义、Error Budget 的计算公式、Error Budget 的消耗与重置机制

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。它通过将抽象的“高可用”诉求转化为具体的、可消耗的“预算额度”，使得 SRE 团队能够在稳定性与迭代速度之间做出数据驱动的权衡。理解 Error Budget 的前提是掌握 SLI 与 SLO 的定义，并熟悉其计算、消耗与重置机制。

3.1 SLI 与 SLO 的定义

SLI（Service Level Indicator，服务等级指标）是服务性能的直接量化度量。它回答的是“我们测量什么”的问题。常见的 SLI 包括请求延迟（如 P99 延迟 < 200ms）、错误率（如 HTTP 500 比例 < 1%）、吞吐量（如 QPS）和可用性（如成功请求占比）。

SLO（Service Level Objective，服务等级目标）是 SLI 的目标阈值。它回答的是“我们希望服务达到什么水平”的问题。SLO 通常以一段时间窗口内的百分比形式定义，例如“过去 30 天内，99.9% 的请求延迟低于 200ms”。

3.2 Error Budget 的计算公式

Error Budget 的本质是在 SLO 时间窗口内，服务允许发生的最大失败量。其核心计算公式如下：

Error Budget = 总请求量 × (100% - SLO 目标百分比)

其中：
- 总请求量：在 SLO 时间窗口内的所有有效请求数。
- SLO 目标百分比：以小数形式表示（如 99.9% = 0.999）。

实例计算：

假设某服务的 SLO 为“30 天内可用性 ≥ 99.9%”，且该 30 天窗口内的总请求量为 10,000,000 次。

Error Budget = 10,000,000 × (1 - 0.999)
             = 10,000,000 × 0.001
             = 10,000 次失败请求

这意味着，在 30 天内，该服务最多允许 10,000 次请求失败。一旦超过这个数字，SLO 即被违反。

3.3 Error Budget 的消耗与重置机制

Error Budget 的消耗是实时累积的。每一次不符合 SLO 的请求（如超时、错误码、慢响应）都会消耗预算。其消耗速率直接反映了服务的当前健康状态。

消耗规则：

• 按事件消耗：每个违反 SLI 阈值的请求消耗 1 单位预算。
• 按比例消耗：部分场景下，预算按失败请求占总请求的比例消耗（适用于滑动窗口模型）。
• 不可逆消耗：已消耗的预算在窗口期内不可恢复，直到窗口重置。

重置机制：

Error Budget 的重置依赖于 SLO 的时间窗口。常见的窗口类型包括：

3.4 Error Budget 消耗速率的量化意义

Error Budget 的消耗速率比剩余值更能反映服务风险趋势。SRE 团队应建立基于消耗速率的告警体系：

• 正常消耗区：消耗速率低于预算生成速率的 50%，服务健康，可正常发布。
• 警告消耗区：消耗速率达到预算生成速率的 50%-80%，需关注根因，限制高风险变更。
• 危险消耗区：消耗速率超过预算生成速率的 80%，应立即冻结发布，启动应急响应。

3.5 多层级 Error Budget 设计

在微服务架构中，单一全局 Error Budget 往往不够精细。建议按服务画像设计多层级预算：