4. 可用性SLI口径：服务可用性定义、Uptime计算口径、健康检查探针设计

可用性（Availability）是SRE承诺中最核心的SLI之一，但“服务是否可用”在不同架构、不同探针策略下会得出截然不同的数值。本章从服务可用性定义出发，建立Uptime计算口径，并给出健康检查探针设计的工程化方法，确保IaC中声明的可用性SLI口径可观测、可复现、可审计。

4.1 服务可用性定义：从二进制到滑动窗口

传统“服务是否运行”的二进制判断（0或1）在分布式系统中过于粗糙。现代SRE采用时间窗口内成功请求占比或探针连续成功占比来定义可用性。

4.2 Uptime计算口径：探针视角 vs 用户视角

Uptime计算口径存在两个核心视角，直接影响SLI数值和SLO达标判断。

• 探针视角（Probe Uptime）：以健康检查探针的连续成功/失败为判断依据。探针每N秒执行一次，连续M次失败即判定为故障开始，连续K次成功即判定为恢复。故障时长 = 故障开始时间戳 - 恢复时间戳。
• 用户视角（User Uptime）：以用户请求的成功/失败为判断依据。使用滑动窗口（如28天）内成功请求占比计算可用性。故障时长 = 用户请求失败持续时长。

两种视角在IaC中的计算口径差异如下：

4.3 健康检查探针设计：三层探针体系

健康检查探针是Uptime计算的底层数据来源。设计不当会导致“假阳性”（误报故障）或“假阴性”（漏报故障）。推荐在IaC中声明三层探针体系：

1. L1 存活探针（Liveness Probe）：检测进程是否存活。失败时重启容器/进程。周期短（5-10s），阈值低（1-3次）。
2. L2 就绪探针（Readiness Probe）：检测服务是否可接收流量。失败时从负载均衡摘除。周期中等（10-15s），阈值适中（3-5次）。
3. L3 深度探针（Deep Probe）：检测业务逻辑是否正常（如数据库连接、缓存、下游依赖）。失败时触发告警但不重启。周期较长（30-60s），阈值较高（5-10次）。

4.4 探针参数在IaC中的声明规范

以Kubernetes为例，在IaC中声明健康检查探针时，必须显式设置以下参数，确保Uptime计算口径一致：

apiVersion: apps/v1
kind: Deployment
metadata:
  name: my-service
spec:
  template:
    spec:
      containers:
      - name: app
        image: my-service:1.0.0
        livenessProbe:
          httpGet:
            path: /healthz
            port: 8080
          initialDelaySeconds: 10
          periodSeconds: 10
          timeoutSeconds: 3
          successThreshold: 1
          failureThreshold: 3
        readinessProbe:
          httpGet:
            path: /ready
            port: 8080
          initialDelaySeconds: 5
          periodSeconds: 15
          timeoutSeconds: 3
          successThreshold: 1
          failureThreshold: 3
        # 深度探针通过自定义Exporter实现

4.5 可用性SLI口径的IaC模板

以下是一个完整的Prometheus SLI规则声明，用于计算探针视角的可用性：

# sloth SLI规则: probe-based availability
apiVersion: sloth.slok.dev/v1
kind: PrometheusServiceLevel
metadata:
  name: my-service-availability
  namespace: monitoring
spec:
  service: my-service
  labels:
    owner: sre-team
    sli_type: availability
    uptime_perspective: probe
  slos:
  - name: probe-availability-99-9
    objective: 99.9
    description: "探针视角可用性SLO 99.9%"
    sli:
      events:
        error_query: |
          sum(
            rate(
              probe_success_total{job="my-service", result="failure"}[5m]
            )
          )
        total_query: |
          sum(
            rate(
              probe_success_total{job="my-service"}[5m]
            )
          )
    alerting:
      name: MyServiceProbeAvailability
      labels:
        severity: critical
      annotations:
        summary: "探针可用性低于SLO"

4.6 常见口径陷阱与规避策略

通过以上口径定义、计算方法和探针设计，可以在IaC中建立一套可审计、可复现、可自动化的可用性SLI体系，为后续SLO声明和错误预算管理奠定坚实基础。