基础设施 SLI 分类：计算、网络、存储与中间件

在可观测性工程中，基础设施 SLI 的制定并非一刀切。不同资源类型具有截然不同的故障模式、性能瓶颈和度量单位。将基础设施 SLI 按资源域分类，是设计精准、可操作口径的第一步。本章将基础设施 SLI 划分为四大类：计算资源、网络资源、存储资源和中间件，并逐一拆解其核心关注点与典型参数设计。

2.1 四大分类总览

下表从关注维度、典型故障模式和核心 SLI 指标三个角度，对四类基础设施 SLI 进行横向对比，帮助建立全局认知。

2.2 计算资源 SLI

计算资源 SLI 主要覆盖 CPU 和 内存 两个维度，同时也包括进程调度和线程状态。其核心目标是衡量计算单元是否能够及时、稳定地分配处理能力。

• CPU 利用率：通常取 1m/5m 平均，但需注意区分 user/system/iowait。高 iowait 应归入存储 SLI 而非计算 SLI。
• 内存使用率：关注实际使用量 vs 总量，以及 swap 使用情况。swap 出现通常意味着内存不足。
• 进程/线程状态：不可中断睡眠（D 状态）进程数、阻塞线程数，反映调度健康度。
• 上下文切换：过高的上下文切换可能暗示锁竞争或线程数配置不当。

2.3 网络资源 SLI

网络资源 SLI 关注数据在节点间传输的可用性、延迟和可靠性。网络故障往往是分布式系统中影响范围最广的故障类型。

• 网络延迟：通常使用 ICMP ping 或 TCP 握手延迟，取 P50/P95/P99 分位值。
• 丢包率：通过探针或内核统计（如 /proc/net/stat）获取，丢包率超过 0.1% 通常需要告警。
• TCP 重传率：重传段数 / 总发送段数，反映网络拥塞或链路质量。
• 连接数：当前 ESTABLISHED 连接数 vs 最大连接数，防止连接耗尽。

2.4 存储资源 SLI

存储资源 SLI 覆盖块存储、文件系统和对象存储。其核心指标围绕 IO 能力和容量展开。

• 磁盘利用率：已用空间 / 总空间，通常设置 80% 告警阈值，90% 为严重阈值。
• IO 延迟：平均 IO 等待时间（await），以及读写延迟分位值。SSD 环境下 await 超过 10ms 通常意味着异常。
• IOPS 与吞吐：每秒读写次数和每秒读写字节数，用于衡量存储性能是否达到预期。
• inode 使用率：在 Linux 文件系统中，inode 耗尽会导致无法创建新文件，即使磁盘空间仍有剩余。

2.5 中间件 SLI

中间件 SLI 覆盖消息队列、缓存、数据库代理、负载均衡器等基础设施组件。中间件的故障模式通常与连接状态和队列深度强相关。

• 队列深度：消息队列中待处理消息的数量。持续增长意味着消费能力不足。
• 客户端连接数：当前活跃连接 vs 最大连接数，防止连接池耗尽。
• 请求延迟：中间件处理请求的 P99 延迟，反映组件自身性能。
• 主从同步延迟：对于有主从架构的中间件（如 Redis、MySQL Proxy），同步延迟是数据一致性的关键指标。

2.6 分类关系与依赖 SVG 图

下图展示了四类基础设施 SLI 之间的依赖关系与数据流向。理解这种依赖关系，有助于在故障发生时快速定位根因。

2.7 分类设计原则与常见误区

在实际设计 SLI 分类时，以下原则和误区值得特别关注：