3. SLI（服务等级指标）基础：定义、分类

3.1 SLI 定义与核心价值

服务等级指标（Service Level Indicator, SLI）是对服务某个特定维度（如响应时间、可用性、吞吐量）的量化度量。在基础设施即代码（IaC）场景中，SLI 是驱动自动化决策的原始数据源，也是后续定义 SLO（服务等级目标）和 Error Budget（错误预算）的基石。

3.2 SLI 四大分类

业界通常将 SLI 划分为四个黄金信号类别。下表总结了每个类别的定义、典型度量单位及 IaC 场景下的常见采集方式：

3.3 分类详解与 IaC 映射

3.3.1 可用性（Availability）

可用性是最基础的 SLI，通常通过探测（Probe）或端点监控实现。在 Terraform 或 Pulumi 等 IaC 工具中，可用性 SLI 常被用于触发自动扩缩容或自愈流程。

• 计算方式：成功探测次数 / 总探测次数 × 100%
• 常见阈值：99.9%（三个九）、99.99%（四个九）
• IaC 实践：通过 terraform-provider-healthcheck 或 aws_route53_health_check 资源定义探测逻辑。

3.3.2 延迟（Latency）

延迟反映服务的响应速度，通常关注高百分位（如 p99、p95）而非平均值。在 IaC 配置中，延迟 SLI 直接影响负载均衡策略和缓存层配置。

• 计算方式：请求完成时间 - 请求发起时间
• 常见分位：p50（中位数）、p95、p99
• IaC 实践：在 Kubernetes 的 HorizontalPodAutoscaler 中引用自定义指标，如 custom.googleapis.com|istio|request_duration_seconds|p99。

3.3.3 吞吐量（Throughput）

吞吐量衡量系统的处理能力，与资源利用率强相关。在 IaC 场景中，吞吐量 SLI 常用于评估基础设施扩容是否及时。

• 计算方式：总请求数 / 时间窗口（通常为 1 分钟或 1 小时）
• 常见单位：RPS（Requests Per Second）、TPS（Transactions Per Second）
• IaC 实践：通过 aws_cloudwatch_metric_alarm 监控 ALB 的 RequestCount 指标，触发 Auto Scaling 策略。

3.3.4 错误率（Error Rate）

错误率直接反映服务的健康状态。在 IaC 中，错误率 SLI 是回滚（Rollback）和金丝雀发布（Canary Deployment）的关键决策依据。

• 计算方式：错误请求数 / 总请求数 × 100%
• 常见分类：HTTP 5xx（服务端错误）、4xx（客户端错误，通常不计入 SLI）
• IaC 实践：在 Spinnaker 或 Argo Rollouts 的 pipeline 中，设置错误率阈值（如 > 1%）自动触发回滚。

3.4 SLI 分类关系图

下图展示了四大 SLI 分类之间的逻辑关系及其在 IaC 自动化闭环中的位置：

3.5 SLI 定义最佳实践

在 IaC 项目中定义 SLI 时，应遵循以下原则：

1. 可测量性：SLI 必须能从基础设施层直接采集，避免依赖业务日志解析。
2. 稳定性：优先使用服务网格（如 Istio）或 API 网关（如 Kong）的标准化指标，而非应用自曝指标。
3. 可区分性：按环境（dev/staging/prod）和组件（计算/网络/存储）拆分 SLI，避免全局混用。
4. 时间窗口：明确 SLI 的滚动窗口（如 5 分钟、1 小时、30 天），不同窗口适用于不同自动化场景。