📚 课程目录第3章核心概念

3. 核心概念：SLI口径的定义、分类与度量标准

SLI（Service Level Indicator，服务等级指标）是可观测性体系中最基础的度量单元，也是Policy Check规则库直接评估的对象。SLI口径定义了“测量什么”以及“如何测量”，口径的准确性与一致性直接决定告警规则的有效性。

3.1 SLI口径的定义

SLI口径是对服务某一维度行为的量化描述，包含三个核心要素：

测量对象：被观测的服务、接口、资源或业务流程
测量维度：可用性、延迟、吞吐量、错误率等
测量方法：采样方式、统计窗口、聚合函数、边界条件

  口径示例：

  SLI名称：api_gateway_p99_latency

  测量对象：API Gateway 所有HTTP请求

  测量维度：延迟（Latency）

  测量方法：1分钟窗口内，按请求端到端耗时排序，取第99百分位值

3.2 SLI口径的四维分类体系

业界通用的SLI分类遵循Google SRE实践中的“四个黄金信号”框架，结合可观测性平台的实际落地经验，我们将SLI口径分为以下四大类：

分类	核心关注点	典型口径示例	度量单位
可用性（Availability）	服务是否正常响应	请求成功率、健康检查通过率	百分比（%）
延迟（Latency）	响应速度是否达标	P50/P90/P99延迟、平均延迟	毫秒（ms）
吞吐量（Throughput）	系统处理能力	QPS、RPS、并发连接数	请求/秒
错误率（Error Rate）	请求失败比例	HTTP 5xx占比、业务异常率	百分比（%）

实践建议： 在Policy Check规则库中，每个SLI口径必须明确归属到上述四类之一。分类决定了默认的告警阈值模板、聚合窗口和评估策略。例如，可用性类SLI通常使用滑动窗口计数，而延迟类SLI则使用百分位聚合。

3.3 四类SLI的度量标准详解

3.3.1 可用性（Availability）

可用性衡量服务在给定时间窗口内正常提供功能的比例。度量标准包括：

请求成功率：成功请求数 / 总请求数 × 100%
健康检查通过率：通过的健康检查次数 / 总健康检查次数 × 100%
Uptime：服务正常运行时间 / 总时间 × 100%

可用性SLI的典型阈值：核心服务 ≥ 99.99%，非核心服务 ≥ 99.9%。

3.3.2 延迟（Latency）

延迟衡量请求从发出到收到完整响应的时间间隔。度量标准强调百分位分布而非平均值：

百分位	含义	典型阈值（API服务）
P50（中位数）	50%的请求在此值以下	< 200ms
P90	90%的请求在此值以下	< 500ms
P99	99%的请求在此值以下	< 1000ms

常见误区： 不要使用平均延迟作为SLI口径。平均值会掩盖长尾问题，例如1%的慢请求可能将平均值拉高，但P99能更准确地反映真实用户体验。

3.3.3 吞吐量（Throughput）

吞吐量衡量系统在单位时间内处理的请求量。度量标准包括：

QPS（Queries Per Second）：每秒查询数
RPS（Requests Per Second）：每秒请求数
TPS（Transactions Per Second）：每秒事务数
并发连接数：同时活跃的连接数量

吞吐量SLI通常与容量规划结合使用，阈值设定需参考历史峰值和预留余量。

3.3.4 错误率（Error Rate）

错误率衡量请求失败的比例。度量标准需区分错误类型：

错误类型	示例	典型阈值
HTTP 5xx	500 Internal Server Error	< 0.1%
HTTP 4xx	404 Not Found	< 1%（需排除爬虫）
业务错误码	订单超时、库存不足	< 0.5%
超时错误	请求超时、连接超时	< 0.01%

3.4 SLI口径与度量标准的集成关系

下图展示了SLI口径从定义到度量标准的完整链路，以及各分类在Policy Check规则库中的映射关系：

3.5 SLI口径定义的最佳实践

在Policy Check规则库中定义SLI口径时，应遵循以下原则：

口径唯一性：每个SLI口径在规则库中拥有全局唯一的名称和ID，避免重复定义
维度明确：明确指定测量维度（可用性/延迟/吞吐量/错误率），便于规则引擎自动匹配阈值模板
边界清晰：定义口径时需说明排除条件（如健康检查请求、内部监控流量）
窗口可配置：度量窗口（1分钟/5分钟/1小时）应作为口径参数，而非硬编码
版本管理：口径变更需记录版本号，确保历史告警可追溯

Policy Check 规则库中的SLI口径定义示例（YAML格式）：

sli_definitions:
  - name: api_gateway_availability
    category: availability
    measurement: request_success_rate
    window: 5m
    threshold: 99.99
    exclude: ["health_check", "internal_monitor"]

  - name: payment_service_p99_latency
    category: latency
    measurement: p99_latency_ms
    window: 1m
    threshold: 500
    exclude: ["batch_job"]

3.6 口径与度量标准的映射矩阵

下表总结了四类SLI口径与常用度量标准之间的映射关系，供规则库设计时参考：

SLI分类	推荐度量标准	聚合函数	典型窗口	阈值类型
可用性	请求成功率	count / sum	5m, 1h	静态阈值（如99.9%）
延迟	P99延迟	percentile	1m, 5m	静态阈值 + 突发检测
吞吐量	QPS	rate / sum	1m	动态基线 + 容量告警
错误率	HTTP 5xx占比	count / sum	1m, 5m	静态阈值 + 零容忍

通过上述分类与度量标准的清晰定义，Policy Check规则库能够对每个SLI口径执行精确的评估，避免误告警和漏告警，为SRE团队提供可靠的观测基础。