1. 课程导论：SLO 与自愈剧本的关系、为什么 SLI 采集链路是瓶颈、课程目标与受众
1.1 SLO 与自愈剧本：从“监控”到“闭环”的跃迁
在 SRE 实践中，服务等级目标（SLO）定义了系统可靠性的“黄金线”，而自愈剧本（Self-Healing Playbook）则是当系统偏离这条线时自动触发的恢复动作。两者的关系可以概括为：SLO 是决策依据，自愈剧本是执行载体。
一个典型的自愈闭环包含四个阶段：
- 采集：从基础设施、中间件、应用层收集原始指标。
- 计算：将原始指标聚合为 SLI（服务等级指标），并与 SLO 阈值比对。
- 决策：当 SLI 持续违反 SLO 时，触发预定义的剧本。
- 执行：剧本执行恢复操作（如扩容、重启、降级）。
关键认知： 自愈剧本的精准度直接取决于 SLI 采集链路的实时性、完整性和准确性。如果采集链路存在延迟、丢点或数据失真，再优秀的剧本也会“误诊”或“漏诊”。
1.2 为什么 SLI 采集链路是瓶颈？
在实际生产环境中，SLI 采集链路往往成为自愈剧本的“阿喀琉斯之踵”。以下是三个核心痛点：
| 痛点维度 | 典型表现 | 对自愈剧本的影响 |
|---|---|---|
| 延迟 | 指标从产生到进入计算引擎耗时超过 30 秒 | 剧本触发滞后，错过最佳恢复窗口 |
| 丢点 | 采集链路中因网络抖动或队列溢出导致数据丢失 | SLI 计算出现“假阴性”，剧本漏触发 |
| 失真 | 采集端聚合粒度与 SLO 窗口不匹配（如 1m 聚合用于 5m 窗口） | 剧本误判，产生不必要的告警或恢复动作 |
注意： 很多团队在优化自愈剧本时，将精力集中在“执行动作”上（如优化扩容脚本），却忽略了上游采集链路的瓶颈。这往往导致“剧本写得再好，数据不准也白费”的局面。
1.3 SLI 采集链路全景图
下图展示了从原始指标到自愈剧本触发的完整链路，以及每个环节可能引入的瓶颈点：
1.4 课程目标与受众
本课程旨在帮助 SRE 团队系统性地解决 SLI 采集链路中的瓶颈问题，从而提升自愈剧本的触发精准度和恢复效率。
课程核心目标
- 诊断链路瓶颈：掌握 SLI 采集链路各环节的延迟、丢点、失真分析方法。
- 优化采集策略：学会调整采集频率、聚合粒度、传输协议以适配 SLO 窗口。
- 提升剧本精准度：通过链路优化，将自愈剧本的误触发率降低 50% 以上。
- 建立可观测性闭环：将 SLI 采集链路本身纳入可观测性体系，实现“链路的链路”。
目标受众
| 角色 | 关注点 | 课程收益 |
|---|---|---|
| SRE 工程师 | 自愈剧本的可靠性与效率 | 掌握链路优化方法，减少误告警和漏告警 |
| 可观测性平台开发者 | 采集管道的性能与稳定性 | 学习链路压测、缓冲策略、降级方案 |
| 系统架构师 | 整体架构的可扩展性与容错性 | 获得链路解耦、多级聚合、容灾设计思路 |
| 技术管理者 | SLO 达成率与运维成本 | 理解链路投资回报，制定优化优先级 |
学习建议： 本课程包含大量实战案例和代码片段。建议在学习过程中搭建一个最小化的采集链路实验环境（如 Prometheus + Telegraf + 自愈脚本），以便同步验证优化效果。