4. 部署频率 SLI 口径（中级）：基于时间窗口的口径（每日/每周/每月），如何选择聚合粒度

在掌握了基础部署计数口径后，中级阶段需要解决一个核心问题：“部署频率”这个 SLI 应该以多粗或多细的时间粒度来聚合？ 直接使用“每日部署次数”作为原始数据往往噪声过大，而使用“每月部署次数”又会掩盖团队的真实节奏。本讲将深入分析每日、每周、每月三种时间窗口的适用场景与选择策略。

4.1 为什么需要时间窗口聚合？

原始部署事件是离散的时间点数据。如果不加聚合直接计算，会面临两个问题：

• 稀疏性： 对于低频部署团队（如每月 1-2 次），按天统计绝大多数天数为 0，无法反映趋势。
• 波动性： 对于高频部署团队（如每日多次），按小时统计会因发布窗口、代码冻结等因素产生剧烈抖动。

时间窗口聚合的本质是平滑信号，让 SLI 能够反映团队的稳态交付能力，而非偶发事件。

4.2 三种时间窗口的对比

4.3 聚合粒度选择决策树

以下决策树可以帮助团队快速确定初始聚合粒度：

开始
  |
  v
团队是否有固定发布窗口（如每周四 10:00）？
  |
  +-- 是 --> 使用“每周”窗口，以发布窗口所在周为统计周期
  |
  +-- 否 --> 过去 3 个月平均每日部署次数 >= 1 次？
       |
       +-- 是 --> 使用“每日”窗口
       |
       +-- 否 --> 过去 3 个月平均每周部署次数 >= 1 次？
            |
            +-- 是 --> 使用“每周”窗口
            |
            +-- 否 --> 使用“每月”窗口

4.4 时间窗口口径的 SLI 计算公式

无论选择哪种窗口，SLI 的最终呈现形式通常为：“在 [时间窗口] 内，成功部署到生产环境的次数”。但为了便于跨团队对比，建议归一化为“日均部署次数”或“周均部署次数”。

标准化公式：

部署频率 SLI (标准化) = 
  SUM(窗口内所有成功部署次数) / 窗口天数

示例：

• 某团队 2025 年 3 月（31 天）共部署 62 次 → 标准化日均部署 = 62 / 31 = 2.0 次/日
• 某团队 2025 年 Q1（90 天）共部署 12 次 → 标准化日均部署 = 12 / 90 = 0.13 次/日

4.5 多窗口对比分析：一个真实案例

某中型互联网团队（20 人，微服务架构）在 2025 年 1 月的数据如下：

分析：

• 每日视图： 数据稀疏，大部分天数为 0，难以看出趋势。
• 每周视图： 清晰显示团队主要在周一和周五部署，第 2 周因假期仅部署 1 次，第 3 周恢复正常。
• 每月视图： 18 次/月（约 0.6 次/日），掩盖了周级别的波动，无法识别第 2 周的异常。

结论： 该团队应使用“每周”作为 SLI 聚合粒度，并辅以“日均部署次数”进行标准化。

4.6 时间窗口口径的 SLI 数据模型

下图展示了从原始部署事件到不同时间窗口聚合的 ETL 逻辑：

4.7 选择聚合粒度的 5 条实战规则

1. 规则一：先看团队节奏，再看 DORA 基准。 不要为了对标“精英”而强行使用每日窗口。如果团队实际是每周发布，就用周窗口。
2. 规则二：保持至少 3 个月的历史数据。 选择窗口后，回算过去 3 个月的数据，检查是否有超过 30% 的窗口值为 0。如果是，说明窗口太细，需要升级粒度。
3. 规则三：多窗口并行观察 1 个月。 在过渡期，同时计算每日、每周、每月三个口径，观察哪个窗口的变异系数（CV）最小且能反映真实变化。
4. 规则四：固定发布窗口的团队，以“发布窗口”为周期。 例如每周四发布，则“每周”窗口定义为“上周五 00:00 至本周四 23:59”。
5. 规则五：避免使用“滚动窗口”作为 SLI 口径。 滚动窗口（如过去 7 天）虽然平滑，但会导致数据重叠，难以进行统计显著性检验。SLI 应使用不重叠的日历窗口。

4.8 常见陷阱与避坑指南