2. SLI、SLO与Error Budget的关系：定义SLI、SLO，推导Error Budget = 1 - SLO，并说明三者如何联动
在SRE实践中，SLI（Service Level Indicator，服务水平指标）、SLO（Service Level Objective，服务水平目标）与Error Budget（错误预算）构成了可观测性与告警策略的三角基石。理解三者的定义与联动关系，是后续进行告警阈值调优与自动化触发策略设计的理论前提。
2.1 核心定义
| 术语 | 英文全称 | 定义 | 典型示例 |
|---|---|---|---|
| SLI | Service Level Indicator | 对服务某个维度（如延迟、可用性、吞吐量）的量化测量值，通常表示为一段时间内的比率或分布。 | 过去1分钟内，请求延迟 ≤ 200ms 的比例 |
| SLO | Service Level Objective | 为SLI设定的目标阈值，代表服务所有者承诺的可靠性水平，通常以百分比形式定义。 | 99.9% 的请求延迟 ≤ 200ms（月度统计） |
| Error Budget | Error Budget | 在SLO允许范围内，服务可以“出错”或“不可用”的最大时间或比例。它是SLO的互补值。 | 月度 Error Budget = 1 - 99.9% = 0.1% 的时间 ≈ 43.2 分钟 |
关键认知： SLI是测量值，SLO是目标值，Error Budget是容错空间。三者构成一个闭环反馈系统。
2.2 Error Budget的数学推导
Error Budget 的定义直接来源于 SLO 的互补关系。假设我们定义服务的“好事件”为满足 SLI 阈值的请求，“坏事件”为不满足 SLI 阈值的请求，则：
SLI = 好事件数量 / 总事件数量
SLO = 目标 SLI 值（例如 99.9%）
Error Budget = 1 - SLO
推导逻辑：
- 如果 SLO 设定为 99.9%，意味着服务在统计周期内至少要有 99.9% 的时间或请求是“好”的。
- 那么，最多允许的“坏事件”比例就是 100% - 99.9% = 0.1%。
- 这个 0.1% 就是 Error Budget。它代表服务可以“犯错”而不违反 SLO 的额度。
实践要点： Error Budget 通常以时间（如分钟/小时）或请求数为单位。例如，月度 SLO 99.9% 对应的 Error Budget 约为 43.2 分钟（30天 × 24小时 × 60分钟 × 0.1%）。一旦消耗超过这个额度，团队必须停止新功能发布，优先进行稳定性修复。
2.3 三者联动关系：从测量到决策
SLI、SLO 与 Error Budget 并非孤立概念，它们构成了一个持续运行的反馈循环。下图展示了三者在 SRE 运维中的核心联动流程：
2.4 联动机制详解
三者的联动可以拆解为以下四个关键步骤：
- 持续测量（SLI）：系统实时采集请求延迟、错误率、吞吐量等指标，形成 SLI 时间序列。
- 目标对齐（SLO）：将实时 SLI 与预设的 SLO 阈值进行对比，判断当前服务质量是否达标。
- 预算消耗（Error Budget）：统计周期内，所有不满足 SLO 的“坏事件”累积消耗 Error Budget。剩余预算 = (1 - SLO) × 总时间 - 已消耗时间。
- 驱动决策：
- 当 Error Budget 充足（剩余 > 50%）：允许正常发布新功能。
- 当 Error Budget 紧张（剩余 < 20%）：触发告警，建议暂停发布，优先进行稳定性工作。
- 当 Error Budget 耗尽（剩余 = 0%）：触发紧急告警，必须立即回滚或修复。
常见误区： 不要将告警阈值直接设置为 SLO 边界。例如，SLO 为 99.9% 时，不应等到 Error Budget 耗尽才告警。正确的做法是设置多级告警阈值（如消耗 50%、75%、90% 时分别触发不同级别的告警），为运维响应预留时间窗口。
2.5 联动关系总结表
| 组件 | 角色 | 输入 | 输出 | 对告警策略的影响 |
|---|---|---|---|---|
| SLI | 测量者 | 原始监控数据 | 量化指标（如延迟P99） | 决定告警的数据源和计算方式 |
| SLO | 目标制定者 | SLI 历史数据 + 业务需求 | 百分比目标值 | 决定告警的基准线和严重等级 |
| Error Budget | 决策驱动者 | SLO + 实际消耗 | 剩余容错额度 | 决定告警的触发时机和响应动作 |