2. SLO 基础概念：SLO、SLI、SLA 的定义与区别
在构建可观测性与告警自愈体系之前，必须准确理解三个核心术语：SLI（服务等级指标）、SLO（服务等级目标）和 SLA（服务等级协议）。它们是整个可靠性工程的度量基石，也是 Runbook 触发与自愈策略制定的依据。
2.1 核心定义
| 术语 | 英文全称 | 定义 | 典型示例 |
|---|---|---|---|
| SLI | Service Level Indicator | 服务质量的直接度量指标，通常是某个时间窗口内的比率或数值。 | 请求成功率 99.9%、P99 延迟 200ms |
| SLO | Service Level Objective | 团队为 SLI 设定的目标阈值，是内部承诺的可靠性边界。 | 月度请求成功率 ≥ 99.95% |
| SLA | Service Level Agreement | 与客户签订的法律/商业协议，包含未达标的惩罚条款。 | 年度可用性 ≥ 99.9%，否则赔偿 10% 月费 |
记忆口诀：SLI 是测量值，SLO 是目标值，SLA 是合同值。SLO 通常比 SLA 更严格，为团队留出“燃烧预算”的缓冲空间。
2.2 三者的关系与层级
下图展示了从原始指标到商业承诺的完整链路：
2.3 关键区别对比
| 维度 | SLI | SLO | SLA |
|---|---|---|---|
| 性质 | 技术度量 | 技术承诺 | 商业合同 |
| 受众 | 工程师、监控系统 | 工程团队、管理层 | 客户、法务、销售 |
| 严格程度 | 无阈值，仅测量 | 严格（内部高要求） | 宽松（法律底线） |
| 时间窗口 | 实时/近实时 | 滚动窗口（月/季） | 合同周期（年/季） |
| 未达标后果 | 无直接后果 | 触发告警、On-Call | 赔偿、罚款、法律风险 |
| 变更频率 | 随系统变化 | 按迭代调整 | 合同期内固定 |
2.4 在 Runbook 自愈中的角色
在《Runbook 联动 SLO 告警自愈闭环》课程中，三者分别承担不同职责：
- SLI：作为告警的输入信号，持续采集并送入评估引擎。
- SLO：作为告警的触发阈值，当 SLI 偏离 SLO 时启动 Runbook。
- SLA：作为风险边界，当 SLO 持续恶化接近 SLA 时升级告警级别。
实战要点：在定义 Runbook 触发条件时，应使用 SLO 而非 SLA。例如：“当错误预算剩余不足 20% 时触发自愈流程”，而不是“当 SLA 即将违约时再行动”。前者为自愈留出充足时间，后者往往为时已晚。
2.5 常见误区
| 误区 | 正确理解 |
|---|---|
| SLI 越多越好 | 应聚焦用户核心体验的少数关键指标（通常 3~5 个） |
| SLO 等于 SLA | SLO 应比 SLA 严格，为内部留出燃烧预算 |
| SLA 是技术指标 | SLA 本质是商业条款，由法务和业务部门主导 |
| 所有服务都需要 SLA | 内部服务通常只需要 SLO，只有面向客户的服务才需要 SLA |
注意：不要将 SLA 直接用作告警阈值。SLA 的违约成本极高，一旦触发往往已造成客户影响。正确的做法是将 SLO 作为告警边界，并利用错误预算（Error Budget）机制提前干预。