📚 课程目录第3章误差预算基础

3、误差预算基础：SLO、SLI、Error Budget的定义，以及如何将超时转化为Error Budget消耗

3.1 核心概念定义

在构建基于OpenTelemetry的调用链超时监控体系之前，必须统一三个核心概念的语言。误差预算（Error Budget）是SRE实践中最具操作性的管理工具，它将不可靠性量化为可消耗的“预算”。

概念	英文全称	定义	在调用链超时场景中的含义
SLI	Service Level Indicator	服务等级指标，是实际测量的服务质量数值	调用链P99延迟、P95延迟、超时率、错误率
SLO	Service Level Objective	服务等级目标，是SLI的目标阈值，通常以百分比形式定义	“99.9%的调用链在500ms内完成”
Error Budget	Error Budget	误差预算 = 1 - SLO，表示在SLO周期内允许的不可用或超时总量	每月允许的超时调用次数或超时总时长

关键认知：误差预算不是“错误容忍度”，而是“创新与稳定性之间的货币”。当预算充足时，团队可以大胆发布新版本；当预算耗尽时，必须冻结变更、优先恢复稳定性。

3.2 三者的层级关系

SLI是底层测量，SLO是上层承诺，Error Budget是管理杠杆。下图展示了三者在调用链超时监控中的递进关系：

3.3 如何将超时转化为Error Budget消耗

调用链超时是Error Budget最直接的消耗来源。转化过程分为三个步骤：定义超时事件、计算单次消耗、累计周期消耗。

步骤一：定义超时事件

在OpenTelemetry中，超时事件由Span属性中的status.code和status.description标识。当调用链的端到端延迟超过SLO阈值时，该调用链被标记为“超时事件”。

// OpenTelemetry Span超时标记示例
span.setStatus(StatusCode.ERROR, "调用链超时：端到端延迟 620ms，SLO阈值 500ms");
span.recordException(new TimeoutException("Error Budget消耗事件"));

步骤二：计算单次超时的预算消耗

单次超时消耗的预算量取决于SLO周期和总请求量。消耗公式如下：

单次超时消耗（单位：预算百分比）

消耗 = 1 / (总请求量 × SLO周期天数 × 每日请求量系数)

示例：月SLO周期（30天），日均请求100万次，SLO=99.9%

总预算 = 30 × 1,000,000 × 0.001 = 30,000 次超时

单次超时消耗 = 1 / 30,000 ≈ 0.0033% 的月度预算

步骤三：累计消耗与告警阈值

通过OpenTelemetry的Metrics API，将每次超时事件累加到Error Budget消耗计数器。当消耗达到预设阈值时触发告警。

消耗阶段	累计消耗比例	建议动作
绿色区	0% – 50%	正常发布，持续监控
黄色区	50% – 80%	限制高风险变更，启动根因分析
红色区	80% – 100%	冻结发布，立即修复超时问题
耗尽	> 100%	触发SLO违约复盘，调整容量或架构

3.4 超时消耗Error Budget的完整流程

下图展示了从调用链超时发生到Error Budget消耗、再到管理决策的完整闭环：

3.5 实践要点与避坑指南

预算周期选择：推荐使用30天滚动窗口，避免月初/月末的边界效应。OpenTelemetry的Exemplar可以记录每次超时事件的精确时间戳，支持滚动窗口计算。
超时定义一致性：SLO中的“超时”必须与OpenTelemetry的Span超时定义一致。建议在OTel Collector中配置统一的tail_sampling策略，确保超时事件被准确捕获。
预算消耗速率：不要只看值，要监控消耗速率（%/小时）。如果某小时消耗了30%的月度预算，即使总量未耗尽，也应立即介入。
多维度预算：不同服务、不同调用链类型（读/写、同步/异步）应设置独立的Error Budget，避免一个服务的超时拖垮全局预算。

常见陷阱：不要将Error Budget与“错误次数”直接等同。超时事件可能由客户端重试导致，单次用户请求可能产生多次超时Span。务必在OTel中通过trace_id去重，以用户感知的端到端延迟为准计算预算消耗。