4. SLI 指标采集：请求成功率、延迟分布、错误率指标的 PromQL 查询

SLI（Service Level Indicator）是 SLO 体系的量化基石。在 Grafana 看板中，SLI 的采集质量直接决定告警准确性与自愈触发时机。本章聚焦三大核心 SLI 的 PromQL 查询模式：请求成功率、延迟分布与错误率，并给出可直接嵌入看板面板的查询模板。

4.1 三大 SLI 的 PromQL 查询模板

以下表格汇总了三种 SLI 的典型 PromQL 表达式、适用场景与常见数据源标签约定。所有查询均基于 prometheus_http_requests_total 与 prometheus_http_request_duration_seconds_bucket 示例指标，实际使用时替换为业务指标名即可。

sum(rate(prometheus_http_requests_total{status=~"2..|3.."}[5m]))
/
sum(rate(prometheus_http_requests_total[5m]))

histogram_quantile(0.99,
  sum(rate(prometheus_http_request_duration_seconds_bucket[5m])) by (le))

sum(rate(prometheus_http_requests_total{status=~"5.."}[5m]))
/
sum(rate(prometheus_http_requests_total[5m]))

4.2 延迟分布的多分位采集策略

仅采集 p99 不足以全面评估延迟健康度。推荐同时采集 p50、p90、p99 三个分位，形成延迟分布视图。以下为多分位查询模板：

# p50 延迟
histogram_quantile(0.50, sum(rate(http_request_duration_seconds_bucket[5m])) by (le))

# p90 延迟
histogram_quantile(0.90, sum(rate(http_request_duration_seconds_bucket[5m])) by (le))

# p99 延迟
histogram_quantile(0.99, sum(rate(http_request_duration_seconds_bucket[5m])) by (le))

在 Grafana 面板中，可将三条查询合并为同一张时间序列图，使用不同颜色区分分位线，便于快速识别延迟拐点。

4.3 SLI 采集架构与数据流

下图展示了从业务服务到 Grafana 看板的 SLI 数据采集链路，包含指标暴露、Prometheus 抓取、Recording Rule 预计算与看板查询四个关键环节。

4.4 错误率与成功率的互斥关系

在实际看板设计中，错误率与成功率并非简单的 1:1 互补。以下表格澄清了常见状态码分类与 SLI 归属：

4.5 多维度 SLI 聚合查询

当需要按 服务、端点 或 地域 维度拆分 SLI 时，需在 PromQL 中保留对应标签。以下为按 handler 维度聚合的成功率查询：

# 按 handler 维度聚合成功率
sum by (handler) (
  rate(prometheus_http_requests_total{status=~"2..|3.."}[5m])
)
/
sum by (handler) (
  rate(prometheus_http_requests_total[5m])
)

在 Grafana 中，可将 handler 设为图例模板变量 {{handler}}，实现多线对比。若维度过多（如超过 20 个），建议使用 Top 10 排序或 降采样 避免面板过载。

4.6 SLI 采集的常见陷阱与校验方法

• 指标缺失： 新部署的服务未暴露 /metrics 端点，导致 Prometheus 抓取失败。校验方法：在 Prometheus Target 页面检查 up 指标是否为 1。
• 标签爆炸： 高基数标签（如 user_id、request_id）导致 Prometheus 内存飙升。校验方法：使用 count by (handler) (metric) 检查标签基数。
• 时间窗口不一致： 成功率使用 5m 窗口，错误率使用 1m 窗口，导致燃烧率计算偏差。校验方法：统一所有 SLI 的时间窗口为相同值。
• 直方图 bucket 泄漏： 延迟分布出现 +Inf 占比过高，说明最大 bucket 设置过小。校验方法：检查 le="+Inf" 的计数是否显著高于前一个 bucket。

通过以上 PromQL 模板与采集策略，你可以在 Grafana 看板中稳定获取请求成功率、延迟分布与错误率三大 SLI，为后续 SLO 燃烧率计算与自愈剧本触发提供可靠的数据基础。