4. 误差预算基础：SLI定义、SLO目标、误差预算计算方式（月度/滚动窗口）

在制品供应链的监控体系中，误差预算（Error Budget）是连接可靠性目标与运维节奏的核心量化工具。它定义了服务在给定时间窗口内允许的最大不可用时间或错误比例，从而为故障响应、变更发布和容量规划提供明确的决策依据。

4.1 SLI（服务等级指标）定义

SLI（Service Level Indicator）是衡量服务行为的具体量化指标。在制品供应链场景中，SLI 必须直接反映用户或下游系统所感知的可靠性。常见的 SLI 类型包括：

4.2 SLO（服务等级目标）定义

SLO（Service Level Objective）是为 SLI 设定的目标阈值，通常以百分比形式表示。SLO 定义了“足够好”的服务水平，是误差预算计算的基准。SLO 的设定需要平衡用户体验与运维成本。

典型的 SLO 设定示例：

• 核心制品存储服务：月度可用性 SLO = 99.99%（允许停机约 4.3 分钟/月）
• 制品元数据查询 API：月度 p99 延迟 SLO = 99.9%（允许 0.1% 的请求超过 500ms）
• 制品同步管道：滚动窗口 28 天新鲜度 SLO = 99.5%（允许 0.5% 的同步事件延迟超过 30 秒）

4.3 误差预算计算方式

误差预算 = 1 - SLO。它表示在给定时间窗口内，服务允许的不可靠性总量。当实际消耗的误差预算接近或超过 100% 时，应触发相应的运维动作（如冻结变更、启动应急响应）。

两种主流计算窗口：

4.3.1 月度窗口计算示例

假设 SLO = 99.9%（月度），则月度误差预算 = 0.1%。以 30 天（43200 分钟）计算：

月度误差预算（分钟） = 43200 分钟 × 0.1% = 43.2 分钟

月度误差预算消耗（分钟） = 当月累计不可用时间（分钟）

月度误差预算消耗率（%） = (当月累计不可用时间 / 43.2) × 100%

当消耗率 ≥ 100% 时，表示当月误差预算已耗尽，应触发变更冻结或降级响应。

4.3.2 滚动窗口计算示例

滚动窗口使用过去 N 天的滑动时间窗，每天更新一次。以 28 天滚动窗口为例：

滚动窗口误差预算（秒） = 28 天 × 86400 秒/天 × (1 - SLO)

例如 SLO = 99.9%：
滚动窗口误差预算（秒） = 28 × 86400 × 0.001 = 2419.2 秒 ≈ 40.32 分钟

每日更新：计算过去 28 天的累计不可用时间，与 2419.2 秒比较。

4.4 误差预算消耗与运维动作映射

误差预算不仅是度量工具，更是运维决策的触发器。以下是一个典型的映射关系：

4.5 误差预算计算流程（SVG）

下图展示了从 SLI 采集到误差预算消耗判断的完整流程：

4.6 制品供应链误差预算台账示例（SVG）

以下是一个简化的误差预算台账结构，展示如何在 Terraform 监控资源栈中组织数据：

4.7 在 Terraform 中定义误差预算监控

在 Terraform 监控资源栈中，误差预算通常通过 Prometheus 的 recording rules 或 Grafana 的 alerting rules 实现。以下是一个简化的 Terraform 配置片段：

# 定义 SLI 指标采集（Prometheus ServiceMonitor）
resource "prometheus_service_monitor" "artifact_sli" {
  name      = "artifact-sli"
  namespace = "monitoring"

  selector = {
    match_labels = {
      app = "artifact-service"
    }
  }

  endpoints {
    port     = "metrics"
    interval = "30s"
  }
}

# 定义误差预算 recording rule（PrometheusRule）
resource "prometheus_rule" "error_budget" {
  name      = "error-budget-rules"
  namespace = "monitoring"

  groups {
    name = "error_budget"
    rules {
      record = "slo:artifact_availability:error_budget_remaining"
      expr   = <<EOT
        (1 - (sum(rate(http_requests_total{status=~"5.."}[30d])) / sum(rate(http_requests_total[30d])))) / (1 - 0.9999)
      EOT
      labels = {
        slo = "99.99%"
      }
    }
  }
}

# 定义误差预算告警（Grafana Alerting）
resource "grafana_alert_rule" "error_budget_burn" {
  name          = "Error Budget Burn Rate"
  folder_uid    = "artifact-folder"
  org_id        = 1
  condition     = "A"
  no_data_state = "NoData"
  exec_err_state = "Error"

  data {
    ref_id     = "A"
    datasource_uid = "prometheus"
    model = jsonencode({
      expr = "slo:artifact_availability:error_budget_remaining < 0.2"
    })
  }
}