SLI指标采集实战：为SLO可靠性运营构建精准数据底座 - 第1节

1.1 从可靠性承诺到可度量指标

在站点可靠性工程（SRE）体系中，SLO（Service Level Objective，服务等级目标）与SLI（Service Level Indicator，服务等级指标）是构建数据驱动可靠性运营的两大基石。简单来说：SLI 是“测量什么”，SLO 是“目标值是多少”，Error Budget 则是“允许出错的余量”。三者形成闭环，让可靠性从模糊的“尽量不宕机”变为可量化、可追踪、可决策的工程实践。

1.1.1 定义与职责

1.1.2 三者的闭环关系

SLI 是原始观测数据，SLO 是目标红线，Error Budget 是运营决策的“货币”。当 Error Budget 充足时，团队可以更激进地发布新功能；当 Error Budget 消耗过快时，必须暂停发布、优先修复稳定性。这种机制将可靠性从“被动救火”转变为“主动预算管理”。

1.2 为什么需要精准采集？

SLI 是 SLO 和 Error Budget 的“原材料”。如果原材料（SLI 数据）存在偏差、遗漏或延迟，那么基于它计算出的 SLO 达成率、Error Budget 消耗速度都将失去可信度。精准采集不是“锦上添花”，而是 SRE 可靠性运营的必要前提。

1.2.1 不精准采集的典型后果

• SLO 虚高或虚低：漏采失败请求会导致 SLO 虚高，团队误以为系统很稳定，实际用户已感知异常。
• Error Budget 失真：采集窗口不完整或采样偏差，导致错误预算消耗速度计算错误，发布决策失误。
• 告警风暴或告警沉默：指标采集粒度太粗，无法及时反映真实故障；采集过于频繁且无降噪，则引发告警疲劳。
• 归因困难：缺乏多维标签（如地域、版本、机房），故障定位时无法快速缩小范围。

1.2.2 精准采集的三大维度

1.3 从理论到实战：SLI 采集的典型流程

精准采集不是一次性配置，而是一个持续迭代的过程。以下是标准 SLI 采集流程的四个关键步骤：

1. 定义用户旅程：识别对用户最重要的请求路径（如登录、搜索、下单）。
2. 选择 SLI 类型：根据业务特性选择可用性、延迟、吞吐量或正确性指标。
3. 设计采集方案：确定数据源（代理、SDK、日志）、采集频率、聚合窗口、标签体系。
4. 验证与校准：通过灰度对比、人工抽样、异常检测等方式验证采集数据的准确性。

1.4 本章小结

• SLI 是原始测量数据，SLO 是目标阈值，Error Budget 是运营决策的容忍余量，三者构成可靠性运营的闭环。
• 精准采集是 SLO 可信的前提，不精准的采集会导致 SLO 虚高、Error Budget 失真、告警失效等严重后果。
• 精准采集需要关注完整性、准确性、一致性三大维度，并通过“定义用户旅程 → 选择 SLI 类型 → 设计采集方案 → 验证与校准”四步流程持续迭代。