1. SLO 基础概念：服务等级目标、SLI 与错误预算
在构建可观测性体系与 SRE 实践时，服务等级目标（SLO）是连接用户真实体验与运维动作的核心纽带。本章将系统梳理 SLO 的定义、SLI 与 SLO 的关系，以及错误预算这一关键管理工具，为后续 Grafana 看板设计奠定理论基础。
1.1 服务等级目标（SLO）定义
SLO 是服务提供方为其用户承诺的、在一定时间窗口内应达到的可靠性水平。它通常以百分比形式表达，例如“99.9% 的请求在 200ms 内完成”。SLO 不是 SLA（服务等级协议），而是内部工程团队用于指导决策的可靠性目标。
| 概念 | 定义 | 典型场景 |
|---|---|---|
| SLO | 内部可靠性目标，用于指导工程决策 | API 响应时间 P99 ≤ 500ms |
| SLA | 对外承诺的合同条款，通常附带惩罚 | 月度可用性 ≥ 99.9%，否则赔偿 |
| SLI | 实际测量的服务性能指标 | 请求延迟、错误率、吞吐量 |
实践建议：SLO 应比 SLA 更严格（例如 SLA 为 99.9%，SLO 设为 99.95%），为响应延迟和故障留出缓冲空间，避免直接触发合同惩罚。
1.2 SLI 与 SLO 的关系
服务等级指标（SLI）是对服务某个维度的量化测量，而 SLO 则是对这些测量值设定的目标阈值。SLI 是“测量什么”，SLO 是“目标是多少”。
常见的 SLI 类型包括：
- 可用性 SLI：成功请求数 / 总请求数
- 延迟 SLI：满足延迟阈值的请求比例（如 P99 ≤ 200ms）
- 吞吐量 SLI：每秒处理请求数（RPS）
- 错误率 SLI：返回错误状态码的请求比例
SLI 到 SLO 的映射关系可以用以下公式表达：
SLO = 目标值（Target） × 时间窗口（Window）
例如：99.9% 的请求延迟 ≤ 200ms，统计周期为 30 天
关键原则：每个 SLO 必须对应至少一个可测量的 SLI。没有 SLI 支撑的 SLO 是空头承诺，无法在 Grafana 中可视化。
1.3 错误预算概念
错误预算是 SLO 的衍生概念，定义为 1 - SLO。例如，如果 SLO 为 99.9%，则错误预算为 0.1%。错误预算代表在 SLO 时间窗口内，服务可以“失败”而不违反承诺的最大容忍度。
错误预算的核心价值在于：
- 量化风险：将抽象的可靠性目标转化为可消耗的“预算”
- 指导决策：当错误预算充足时，可以更激进地发布新功能；当预算紧张时，应优先修复稳定性
- 触发告警：错误预算消耗速率超过阈值时，触发告警或自愈流程
常见误区：错误预算不是“允许犯错的额度”，而是“可接受的不可用时间”。例如，99.9% SLO 在 30 天内允许约 43 分钟的不可用时间。一旦耗尽，即使服务仍在运行，也视为 SLO 违反。
1.4 错误预算在 SRE 实践中的应用
错误预算不仅是数学概念，更是 SRE 团队的管理工具。下表总结了错误预算在不同场景下的典型应用：
| 场景 | 错误预算状态 | 推荐行动 |
|---|---|---|
| 新功能发布 | 充足（剩余 > 50%） | 可正常发布，但需监控发布后消耗变化 |
| 容量扩缩容 | 中等（剩余 20%–50%） | 谨慎操作，优先进行灰度验证 |
| 故障响应 | 紧张（剩余 < 20%） | 冻结非关键变更，启动自愈或人工介入 |
| SLO 违反 | 耗尽（剩余 ≤ 0%） | 触发紧急告警，执行故障复盘与改进 |
Grafana 看板设计启示：在后续章节中，我们将使用 Grafana 的
prometheus 数据源，通过 SLI 指标 / SLO 目标 计算错误预算剩余百分比，并设置 消耗速率告警（例如：过去 1 小时消耗了 10% 的错误预算），实现比固定阈值更灵敏的告警。
通过以上内容，我们建立了 SLO 基础概念的完整认知：SLI 是测量基础，SLO 是目标承诺，错误预算是量化风险与指导行动的管理工具。这三者构成了 Grafana SLO 告警看板的核心数据模型。