3. SLI口径定义原则：可测量性、可重复性、业务相关性、可解释性
定义基础设施SLI（Service Level Indicator）的口径时，不能仅凭直觉或临时需求随意选取指标。一个高质量的SLI口径必须同时满足四项核心原则：可测量性、可重复性、业务相关性和可解释性。这四项原则共同构成了SLI口径设计的“黄金四角”，缺一不可。
核心观点： 一个无法被测量、无法被复现、与用户无关、且难以解释的SLI，无论其数学定义多么精确，在SRE实践中都毫无价值。
3.1 四项原则概述
下表从定义、核心关注点、常见反例三个维度，快速对比四项原则的差异：
| 原则 | 定义 | 核心关注点 | 常见反例 |
|---|---|---|---|
| 可测量性 | 指标必须能够通过工具或系统被客观、准确地采集到数值 | 数据源是否存在、采集成本、精度是否满足需求 | “用户体验流畅度”无法直接采集数值 |
| 可重复性 | 在相同条件下，不同观察者或不同时间点测量，应得到一致的结果 | 口径定义是否明确、是否存在歧义、测量方法是否稳定 | “请求延迟”未定义百分位，不同团队统计结果不同 |
| 业务相关性 | 指标必须直接反映用户或业务的实际体验，而非纯技术参数 | 指标变化是否影响用户行为、是否与收入/留存挂钩 | CPU使用率100%但用户无感知 |
| 可解释性 | 指标的数值、趋势和异常能够被团队成员（包括非技术角色）理解 | 指标含义是否直观、告警阈值是否有业务含义 | “P99延迟抖动标准差”难以向产品经理解释 |
3.2 可测量性（Measurability）
可测量性是SLI存在的物理基础。如果一个指标无法被稳定、准确地采集，那么后续的所有分析都是空中楼阁。
- 数据源确认： 确认指标数据是否可以从现有监控系统（Prometheus、Datadog、CloudWatch）、日志系统（ELK、Loki）或APM工具中获取。
- 采集精度： 明确采样频率（如15秒、1分钟）、聚合方式（如平均值、分位数）以及数据保留周期。
- 覆盖度： 确保测量覆盖所有关键实例或节点，避免因采样偏差导致SLI失真。
实践建议： 在定义SLI时，优先选择已经存在于现有监控系统中的指标。如果必须引入新的测量点，需要评估埋点成本和数据管道稳定性。
3.3 可重复性（Repeatability）
可重复性确保SLI口径在不同时间、不同团队、不同工具之间具有一致的解读。这是SRE协作的基础。
实现可重复性的关键要素：
- 明确统计口径： 例如“请求延迟”必须明确是P50、P95还是P99，以及计算窗口（如5分钟、1小时）。
- 定义成功/失败标准： 明确什么算作“成功请求”（如HTTP 2xx/3xx），什么算作“失败请求”（如HTTP 5xx、超时、连接拒绝）。
- 固定测量方法： 使用相同的查询语句（PromQL、SQL）和相同的聚合逻辑，避免因工具差异导致结果偏差。
# 可重复性差的PromQL示例（未定义百分位）
histogram_quantile(0.99, rate(http_request_duration_seconds_bucket[5m]))
# 可重复性好的PromQL示例（明确百分位和窗口）
histogram_quantile(0.99, sum(rate(http_request_duration_seconds_bucket{job="api-server"}[5m])) by (le))
3.4 业务相关性（Business Relevance）
业务相关性是SLI区别于普通技术指标的标志。一个SLI必须能够回答“这个指标变差，用户是否受到影响？”
判断业务相关性的三个层次：
| 层次 | 描述 | 示例 |
|---|---|---|
| 直接相关 | 指标直接反映用户交互结果 | 登录成功率、下单接口P99延迟 |
| 间接相关 | 指标影响用户体验，但非直接交互 | 数据库连接池使用率（过高会导致请求排队） |
| 弱相关 | 指标与用户无直接关联，仅反映系统内部状态 | 磁盘IO等待时间（除非达到瓶颈，否则用户无感） |
避坑指南： 避免将“服务器正常运行时间（Uptime）”作为核心SLI。一台服务器正常运行但应用进程挂死，用户依然无法访问服务。应优先选择“可用请求比例”等业务相关指标。
3.5 可解释性（Explainability）
可解释性要求SLI的数值、趋势和异常能够被团队成员（包括产品、运营、管理层）快速理解，并据此做出决策。
- 直观命名： 使用业务语言命名SLI，例如“首页加载成功率”优于“fe_home_page_http_200_ratio”。
- 阈值有业务含义： 告警阈值不应是随意设定的数字，而应关联到用户容忍度。例如“P99延迟 > 2秒”对应“用户感知卡顿”。
- 趋势可视化： 使用折线图、热力图等直观方式展示SLI变化，并标注关键事件（如发布、故障）。
下图展示了四项原则之间的依赖关系与协作逻辑：
3.6 四项原则的权衡与优先级
在实际工作中，四项原则之间可能存在冲突。例如，一个高度业务相关但难以精确测量的指标（如“用户满意度评分”），与一个极易测量但与业务弱相关的指标（如“内存使用率”）之间需要权衡。
推荐的优先级排序：
- 业务相关性 > 可测量性： 优先选择能反映用户体验的指标，即使测量成本稍高。
- 可重复性 > 可解释性： 确保口径定义无歧义，再考虑如何向非技术人员解释。
- 可测量性 > 可解释性： 一个无法测量的指标，即使解释得再清楚也没有意义。
决策框架： 当面临指标选择困难时，可以依次问自己三个问题：
1. 这个指标变差，用户会受影响吗？（业务相关性）
2. 我能稳定地采集到这个指标吗？（可测量性）
3. 不同团队用同样的方法能得出同样的结论吗？（可重复性）
1. 这个指标变差，用户会受影响吗？（业务相关性）
2. 我能稳定地采集到这个指标吗？（可测量性）
3. 不同团队用同样的方法能得出同样的结论吗？（可重复性）
通过严格遵循这四项原则，SRE团队能够构建出既反映真实服务质量、又具备可操作性的SLI体系，为后续的SLO制定和错误预算管理奠定坚实基础。