4. 基于调用链的错误SLI口径定义：如何通过Span的Error Tag或StatusCode定义请求成功率/错误率SLI

4.1 错误SLI的核心数据来源

在OpenTelemetry与Jaeger的调用链模型中，Span是记录请求处理状态的最小单元。判断一次请求是否“错误”，主要依赖Span携带的两个关键属性：

• Status Code：Span的最终状态码，取值 Unset、Ok、Error。
• Error Tag：布尔型标签 error=true，通常由SDK自动或手动设置。

错误SLI（Service Level Indicator）即基于这两个字段，统计“错误Span数 / 总Span数”或“错误请求数 / 总请求数”，从而得到请求成功率或错误率。

4.2 错误判定字段对比

4.3 错误SLI口径定义流程

定义错误SLI需要经过以下步骤，确保口径可测量、可复现：

1. 确定错误判定规则：选择基于 Status Code 还是 Error Tag，或两者组合。
2. 定义错误Span范围：是否包含所有Span？还是仅限根Span（Root Span）或特定服务Span？
3. 排除非业务错误：例如健康检查、探活请求、预发流量等，需通过标签或服务名过滤。
4. 设定统计窗口：固定时间窗口（如1分钟、5分钟）或滑动窗口。
5. 计算SLI值：错误率 = 错误Span数 / 总Span数 × 100%；成功率 = 1 - 错误率。

4.4 错误SLI口径定义示例（基于OpenTelemetry语义）

以下是一个典型的错误SLI查询逻辑（以PromQL或SQL风格描述）：

-- 假设Span数据已存入ClickHouse或类似时序数据库
-- 统计每分钟的错误率（基于Status Code）
SELECT
    toStartOfMinute(Timestamp) AS minute,
    countIf(StatusCode = 'Error') AS error_count,
    count(*) AS total_count,
    round(error_count / total_count * 100, 2) AS error_rate_percent
FROM otel_spans
WHERE ServiceName = 'order-service'
  AND SpanKind = 'SERVER'          -- 只统计服务端Span
  AND Attributes['http.method'] != 'GET /health'  -- 排除健康检查
GROUP BY minute
ORDER BY minute DESC;

4.5 错误SLI口径基线校准要点

• 基线校准周期：建议以7天或30天为窗口，计算历史错误率均值作为基线。
• 异常阈值设定：基线 ± 3σ 或固定百分比（如错误率超过0.1%触发告警）。
• 口径变更管理：每次修改错误判定规则后，需重新计算基线，避免新旧口径混用。
• 多服务统一口径：不同服务可能使用不同的HTTP状态码语义，需在SLI计算层做归一化处理。

4.6 错误SLI口径定义流程SVG

4.7 错误SLI口径基线校准示例（基于Jaeger数据）

假设我们有一个微服务 payment-service，需要定义其请求成功率SLI。以下是基于Jaeger调用链数据的口径定义示例：

4.8 错误SLI口径定义中的常见误区

• 误区一： 认为所有 error=true 的Span都代表用户请求失败。实际上，某些内部重试或补偿逻辑也会产生错误Span，但最终请求可能成功。
• 误区二： 忽略 StatusCode = Unset 的Span。在OpenTelemetry中，Unset 表示状态未知，不应默认视为成功。
• 误区三： 直接使用Jaeger UI中的“Error Rate”图表作为SLI。该图表可能包含所有Span类型，未做业务过滤。
• 误区四： 口径变更后未重新校准基线，导致新旧口径混用，告警阈值失效。

4.9 错误SLI口径定义最佳实践

1. 统一错误语义：团队内部约定 StatusCode.Error 为唯一错误判定标准，error=true 仅作为辅助标记。
2. 分层定义SLI：为每个服务定义独立的错误SLI口径，因为不同服务的业务语义不同。
3. 自动化口径校验：通过CI/CD流水线自动检查Span数据中的错误标记是否符合口径规范。
4. 定期复盘口径：每季度或每次重大发布后，重新审视错误SLI口径是否仍然适用。