4. SLI 与 SLO 基础：定义与错误预算

在可观测性与 SRE 实践中，SLI（Service Level Indicator，服务等级指标）与SLO（Service Level Objective，服务等级目标）是定义服务可靠性的核心语言。错误预算（Error Budget）则是在 SLI 与 SLO 基础上建立的运维决策机制。本节将系统阐述这三个基础概念及其相互关系。

4.1 SLI（服务等级指标）定义

SLI 是对服务某个特定维度的量化测量，通常表示为一段时间内的比率、计数或持续时间。SLI 必须可观测、可采集、可计算，且直接反映用户体验。

4.2 SLO（服务等级目标）定义

SLO 是为 SLI 设定的目标阈值，表示服务在特定时间窗口内应达到的可靠性水平。SLO 通常以百分比形式表达，例如“99.9% 的请求在 200ms 内完成”。

SLO 的设定需平衡用户体验与运维成本。过高的 SLO（如 99.999%）会显著增加架构复杂度和运维投入，而过低的 SLO 则可能损害用户信任。

4.3 错误预算（Error Budget）概念

错误预算 = 1 - SLO。例如，SLO 为 99.9% 的服务，其错误预算为 0.1%（即 1000 个请求中允许 1 个失败）。错误预算定义了服务在给定时间窗口内允许的不可靠性总量。

错误预算的核心价值在于：

• 量化风险容忍度：明确团队可以承受多少故障。
• 驱动运维决策：当错误预算充足时，可进行风险较高的变更；当错误预算耗尽时，应冻结发布并优先恢复可靠性。
• 平衡创新与稳定：避免因过度追求 100% 可用性而阻碍功能迭代。

4.4 SLI、SLO 与错误预算的关系

下图展示了三者之间的核心逻辑链路：SLI 提供原始测量数据，SLO 设定目标阈值，错误预算则基于 SLO 计算并驱动运维行动。

4.5 错误预算的消耗与恢复机制

错误预算并非静态资源，它在时间窗口内动态消耗与恢复。常见的错误预算窗口包括：

• 滚动窗口（Sliding Window）：例如过去 30 天内的错误预算，每天滚动更新。
• 固定窗口（Fixed Window）：例如按自然月计算，每月重置。

错误预算的消耗速率取决于实际故障频率与持续时间。当错误预算剩余低于一定阈值（如 20%）时，团队应进入“可靠性警戒”状态。

# 错误预算消耗计算（伪代码）
slo = 0.999  # 99.9%
total_requests = 10_000_000
error_budget = (1 - slo) * total_requests  # 10000

# 本月已发生失败请求数
failed_requests = 7500
remaining_budget = error_budget - failed_requests  # 2500

# 剩余百分比
remaining_percent = (remaining_budget / error_budget) * 100  # 25%

if remaining_percent < 20:
    print("进入可靠性警戒：暂停高风险发布")
else:
    print("错误预算充足：可继续正常发布")

4.6 SLI 与 SLO 的典型组合模式

在实际服务画像中，一个服务通常定义多个 SLI，并为每个 SLI 设定独立的 SLO。下表展示了常见组合：