📚 课程目录第3章 SLI与SLO基础

3. SLI 与 SLO 基础：定义、设定与常见类型

在可观测性与服务画像体系中，SLI（Service Level Indicator，服务等级指标）与SLO（Service Level Objective，服务等级目标）是衡量服务健康度的核心量化工具。SLI 回答“服务现在怎么样”，SLO 回答“服务应该怎么样”。本章将系统梳理两者的定义、设定方法及常见类型，为后续“变更检测触发 SLI 口径重算”奠定基础。

3.1 SLI 定义：可观测的量化信号

SLI 是对服务某个特定维度（如延迟、错误率、吞吐量）的直接测量值，通常以时间窗口内的比率、分位数或计数形式呈现。一个有效的 SLI 必须满足：可采集、可聚合、可对比。

  SLI 核心公式（通用形式）：

  SLI = (符合预期行为的事件数) / (总事件数) × 100%

  例如：过去 5 分钟内，请求延迟 ≤ 200ms 的请求数 / 总请求数 = 99.5%

SLI 的采集粒度直接影响后续 SLO 的准确性与告警灵敏度。常见的采集方式包括：

客户端埋点：在应用代码中插入指标采集逻辑（如 Prometheus Client、OpenTelemetry SDK）。
服务网格代理：通过 Sidecar（如 Istio/Envoy）自动捕获请求级指标。
基础设施探针：负载均衡器、API 网关、数据库代理层输出的访问日志与指标。

3.2 SLO 设定：从指标到目标

SLO 是围绕 SLI 设定的目标阈值，通常以“时间窗口内的达标百分比”表示。例如：“过去 30 天内，99.9% 的请求延迟 ≤ 200ms”。SLO 的设定直接决定服务的可靠性预算与告警策略。

SLO 等级	允许不可用时间/月	典型适用场景
99.9%（三个九）	约 43 分钟	内部工具、开发环境
99.95%（三个九半）	约 21 分钟	标准线上服务
99.99%（四个九）	约 4.3 分钟	核心交易、支付链路
99.999%（五个九）	约 26 秒	电信、金融核心系统

设定 SLO 的黄金法则：不要追求“完美”的 100%。SLO 越严格，运维成本与告警噪声呈指数级增长。建议从 99.9% 起步，根据业务容忍度逐步收紧。

3.3 常见 SLI 类型与分类

根据 Google SRE 经典分类及行业实践，SLI 主要分为以下四大类。每类对应不同的采集口径与计算方式。

SLI 类别	典型指标	采集口径示例	常见聚合方式
延迟（Latency）	P50 / P95 / P99 响应时间	服务端收到请求到返回响应的耗时	分位数、平均值、直方图
错误率（Error Rate）	HTTP 5xx 占比 / 业务异常率	状态码非 2xx/3xx 的请求数 / 总请求数	比率、滑动窗口计数
吞吐量（Throughput）	QPS / TPS / RPS	每秒成功处理的请求数	速率、峰值、均值
可用性（Availability）	服务正常运行时间占比	健康检查通过次数 / 总检查次数	时间窗口比率

3.4 SLI 口径：定义即计算规则

SLI 的口径（Measurement Definition）决定了“什么事件算分母、什么事件算分子”。口径变更（如调整延迟阈值、排除健康检查请求、修改错误码范围）会直接导致 SLI 数值跳变，进而影响 SLO 达标状态。这是本课程后续“变更检测触发重算”的核心触发条件。

口径变更典型场景：
• 将延迟 SLI 的阈值从 200ms 调整为 500ms → SLI 数值瞬间升高，SLO 可能“被动达标”。
• 将 4xx 错误从错误率分母中排除 → 错误率 SLI 下降，掩盖真实问题。
• 新增/删除某个上游依赖的调用链指标 → 吞吐量 SLI 口径变化。

3.5 实践建议：SLI/SLO 初始化清单

选择 3~5 个核心 SLI：覆盖延迟、错误率、吞吐量、可用性，避免指标过多导致运维负担。
明确口径定义：在可观测平台（如 Grafana、Datadog）中为每个 SLI 建立文档化的口径规则。
设定初始 SLO：参考行业基准（如 99.9%），结合业务容忍度调整。
建立错误预算：SLO 达标线之上的剩余空间即为错误预算，用于指导发布节奏与告警阈值。
记录口径版本：每次口径变更需记录变更时间、原因、影响范围，为后续重算提供审计依据。

  关键结论：SLI 是服务的“体温计”，SLO 是“健康标准”。口径是体温计的“刻度定义”。刻度一旦改变，体温读数必须重新解释——这正是本课程要解决的自动化问题。