1. SLO 基础概念：SLO、SLI、SLA 的定义与区别
在构建自动化故障恢复流程之前，必须首先理解三个核心度量指标：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 SRE 体系中最基础、最重要的概念，直接决定了告警阈值、恢复优先级和故障响应策略。
1.1 核心定义
| 术语 | 英文全称 | 定义 | 典型示例 |
|---|---|---|---|
| SLI | Service Level Indicator | 服务质量的实际测量值，是客观可量化的指标 | 请求延迟 P99 = 120ms |
| SLO | Service Level Objective | 团队对 SLI 设定的目标阈值，是内部承诺 | P99 延迟 ≤ 200ms（99.9% 周期内） |
| SLA | Service Level Agreement | 与客户签订的法律约束性协议，含惩罚条款 | 月度可用性 ≥ 99.99%，否则赔偿 10% 月费 |
关键认知：SLI 是“测量值”，SLO 是“目标值”，SLA 是“合同值”。SRE 日常工作中主要围绕 SLI 和 SLO 进行监控与告警，SLA 更多由法务和商务团队管理。
1.2 三者的区别与联系
下图直观展示了 SLI → SLO → SLA 的层级关系与数据流向：
1.3 典型 SLI 分类与 SLO 设定示例
在实际 SRE 运维中，常见的 SLI 分为以下四大类，每类对应不同的 SLO 目标：
| SLI 类别 | 典型指标 | 常见 SLO 示例 | 测量窗口 |
|---|---|---|---|
| 可用性 | 请求成功率 / 正常运行时间 | 月度可用性 ≥ 99.99% | 30 天滚动窗口 |
| 延迟 | P50 / P95 / P99 响应时间 | P99 延迟 ≤ 200ms（99.9% 请求） | 5 分钟粒度，28 天窗口 |
| 吞吐量 | QPS / RPS / TPS | 峰值吞吐量 ≥ 10000 QPS | 1 分钟粒度，实时 |
| 错误率 | HTTP 5xx 占比 / 业务错误码 | 错误率 ≤ 0.1% | 10 分钟滚动窗口 |
实践要点：在自动化 Runbook 中，告警阈值通常设置为 SLO 的 75%~90%。例如 SLO 为 99.99% 可用性，则告警触发点设在 99.992%~99.997%，预留足够时间在 SLO 违约前完成故障恢复。
1.4 SLO 告警与故障恢复流程的关联
理解 SLI/SLO/SLA 后，就能清晰定位自动化 Runbook 在整个体系中的位置：
- SLI 持续采集 → 监控系统实时获取服务质量数据
- SLO 阈值比对 → 当 SLI 接近或超过 SLO 边界时触发告警
- 告警驱动 Runbook → 自动化故障恢复流程开始执行
- 恢复后验证 → 再次检查 SLI 是否回到 SLO 安全区间
- SLA 保护 → 快速恢复减少 SLA 违约风险
下图展示了从 SLI 采集到 Runbook 自动恢复的完整链路：
1.5 常见误区与避坑指南
常见误区 1：将 SLO 与 SLA 混为一谈。SLO 是内部工程目标，SLA 是外部法律承诺。SLO 违约不直接导致赔偿，但 SLA 违约会。自动化 Runbook 的首要目标是保护 SLO，间接保护 SLA。
常见误区 2：SLI 选择过多或过少。建议每个服务选择 3~5 个核心 SLI，过多增加监控成本，过少无法全面反映服务质量。优先选择与用户体验直接相关的指标。
常见误区 3：SLO 设定过于激进（如 99.9999%）。过高的 SLO 会导致告警频繁、Runbook 过度触发、运维成本激增。建议从 99.9% 开始，逐步优化。
1.6 本章小结
- SLI 是客观测量值，SLO 是内部目标，SLA 是外部协议
- SLO 通常比 SLA 严格 10%~50%，预留安全缓冲
- 自动化 Runbook 的触发条件基于 SLO 燃烧率，而非 SLA 违约
- 恢复流程完成后必须回检 SLI，确保 SLO 重新达标