2. SLI 定义与分类：什么是 SLI、常见的 SLI 类型

2.1 什么是 SLI

SLI（Service Level Indicator，服务等级指标） 是衡量系统或服务某一维度行为质量的定量指标。它是可观测性体系中最底层的“测量探头”，直接回答“系统现在表现如何”这一核心问题。

SLI 必须满足以下三个条件：

• 可测量：能从监控数据中直接或间接计算得出，例如请求延迟、错误计数。
• 可对比：能设定目标阈值（SLO），用于判断服务是否达标。
• 可行动：当 SLI 恶化时，能触发告警或故障排查流程。

2.2 四大经典 SLI 类型

业界通常将 SLI 归纳为以下四类，覆盖系统性能、可靠性、容量与资源维度：

SLI 类型	定义	典型口径	常见阈值参考
延迟	请求从发出到收到完整响应的时间	P50 / P95 / P99 延迟（毫秒）	P99 < 200ms（在线服务）
错误率	失败请求占总请求的比例	HTTP 5xx / 4xx 占比、gRPC 错误码占比	错误率 < 0.1%
吞吐量	单位时间内系统处理的请求量	RPS（每秒请求数）、TPS（每秒事务数）	不低于基线值的 80%
饱和度	系统资源被消耗的程度	CPU 使用率、内存使用率、连接池占用率	饱和度 < 70%（预留缓冲）

2.3 四类 SLI 的详细说明

2.3.1 延迟（Latency）

延迟是衡量用户体验最直接的指标。通常使用百分位值而非平均值，因为平均值会掩盖长尾请求。例如：

• P50：50% 的请求在此时间内完成，反映典型体验。
• P99：99% 的请求在此时间内完成，反映最差体验。
• P999：用于对延迟极度敏感的场景（如金融交易）。

2.3.2 错误率（Error Rate）

错误率直接反映服务的可用性。定义错误时需明确：

• 显式错误：HTTP 5xx、gRPC Internal、超时。
• 隐式错误：返回 200 但业务逻辑失败（如“查询成功但结果为空”）。

2.3.3 吞吐量（Throughput）

吞吐量反映系统的处理能力。当吞吐量异常下降时，通常意味着系统存在瓶颈或故障；当吞吐量异常上升时，可能遭遇流量攻击或代码缺陷导致重复请求。

2.3.4 饱和度（Saturation）

饱和度是预测性指标，用于在系统完全过载前发出预警。常见饱和度指标包括：

• CPU 使用率（特别是 iowait 占比）
• 内存使用率（含 page cache）
• 磁盘 I/O 队列深度
• 网络带宽使用率
• 数据库连接池活跃连接数

2.4 SLI 分类关系图

下图展示了四类 SLI 在服务调用链路中的位置与相互关系：

面向用户的 SLI，直接反映体验。 • 吞吐量是面向容量的 SLI，反映系统处理能力。 • 饱和度是面向资源的 SLI，用于提前发现过载风险。

2.5 SLI 选择原则与常见误区

选择 SLI 时，建议遵循 USE 方法（Utilization、Saturation、Errors）和 RED 方法（Rate、Errors、Duration）的组合：

• RED 方法：适用于面向用户的服务层，关注吞吐量（Rate）、错误率（Errors）、延迟（Duration）。
• USE 方法：适用于基础设施层，关注资源利用率（Utilization）、饱和度（Saturation）、错误（Errors）。

2.6 SLI 口径定义示例

以下是一个典型的 API 网关 SLI 口径定义：

# 延迟 SLI：P99 延迟
metric: http_request_duration_seconds
aggregation: histogram_quantile(0.99, rate(http_request_duration_seconds_bucket[5m]))
condition: < 0.2  # 200ms

# 错误率 SLI：5xx 占比
metric: http_requests_total
aggregation: sum(rate(http_requests_total{status=~"5.."}[5m])) / sum(rate(http_requests_total[5m]))
condition: < 0.001  # 0.1%

# 饱和度 SLI：CPU 使用率
metric: node_cpu_seconds_total
aggregation: 1 - avg(rate(node_cpu_seconds_total{mode="idle"}[5m]))
condition: < 0.7  # 70%

2.7 SLI 与 SLO、SLA 的关系

在质量门禁体系中，SLI 是基础测量单元，SLO 是目标阈值，SLA 是服务承诺。三者关系如下：

概念	角色	示例
SLI	实际测量值	P99 延迟 = 180ms
SLO	目标阈值	P99 延迟 ≤ 200ms（99.9% 的时间）
SLA	对外承诺与补偿	P99 延迟 ≤ 500ms，否则赔偿 10% 月费