1. SLO 与 Error Budget 基础概念
在站点可靠性工程（SRE）体系中，SLO、SLI 与 Error Budget 是定义服务健康度与驱动自动化决策的三大基石。三者构成一条从测量到容忍再到行动的闭环链路，是后续自愈阈值设定的理论前提。
1.1 核心定义
| 术语 | 英文全称 | 定义 | 典型示例 |
|---|---|---|---|
| SLI | Service Level Indicator | 服务等级指标，是对服务行为某个维度的量化测量，通常表示为比率、计数或延迟分布。 | 请求成功率 99.95%；P99 延迟 ≤ 200ms |
| SLO | Service Level Objective | 服务等级目标，是 SLI 的目标阈值，代表用户可接受的服务质量下限。 | 月度请求成功率 ≥ 99.9% |
| Error Budget | Error Budget | 错误预算，是 SLO 允许的最大不可用额度，计算公式为：1 − SLO。 |
SLO 99.9% → Error Budget = 0.1% 的月度总请求 |
关键等式： Error Budget = 1 − SLO。SLO 越严格，Error Budget 越少，系统可承受的故障窗口越小。
1.2 三者关系：测量 → 目标 → 容忍
SLI、SLO 与 Error Budget 构成一个递进式控制链：
- SLI 是原始数据：从监控系统采集请求成功率、延迟、吞吐量等原始指标。
- SLO 是目标边界：将 SLI 与业务期望对齐，定义“好”与“坏”的分界线。
- Error Budget 是剩余容错空间：SLO 之外的容忍额度，用于指导发布节奏、故障响应与自愈触发。
当 Error Budget 消耗殆尽时，系统应自动进入保守模式：降低变更频率、收紧自愈阈值、甚至主动降级非核心功能。
1.3 典型 SLI 维度与 SLO 映射
不同业务场景关注的 SLI 维度不同，SLO 的设定也应随之调整。下表列出常见维度及其典型 SLO 范围：
| SLI 维度 | 测量方式 | 典型 SLO 范围 | 适用场景 |
|---|---|---|---|
| 可用性 | 成功请求 / 总请求 | 99.9% ~ 99.999% | 核心 API、支付、登录 |
| 延迟（P50） | 第 50 百分位响应时间 | ≤ 100ms | 用户交互、前端渲染 |
| 延迟（P99） | 第 99 百分位响应时间 | ≤ 500ms | 后台服务、数据查询 |
| 吞吐量 | 每秒请求数（RPS） | ≥ 峰值 × 0.9 | 流媒体、消息队列 |
| 错误率 | 5xx 响应 / 总响应 | ≤ 0.1% | 所有生产服务 |
实践建议： 不要为所有维度设定 SLO。选择 2~3 个与用户体验最相关的 SLI 作为核心 SLO，其余作为辅助观测指标。过多的 SLO 会稀释 Error Budget 的管理焦点。
1.4 Error Budget 的消耗与自愈关联
Error Budget 不仅是统计数字，更是自愈系统的触发燃料。当消耗速率超过预设阈值时，系统应自动调整行为：
- 绿色区（消耗 < 60%）：正常运营，允许变更与发布。
- 黄色区（60% ~ 80%）：限制高风险变更，启动预自愈检查。
- 红色区（> 80%）：冻结变更，触发自动回滚或扩容，收紧自愈阈值。
注意： Error Budget 的消耗分区阈值（60%、80%）并非固定值，应根据服务重要性与历史故障模式动态调整。本课程后续章节将详细讲解如何通过消耗模型自动校准这些阈值。
1.5 小结
理解 SLI、SLO 与 Error Budget 的关系是构建自愈系统的第一步：
- SLI 回答“我们测量什么”。
- SLO 回答“我们承诺什么”。
- Error Budget 回答“我们还能容忍多少故障”。