1. 课程导论：什么是 Error Budget？为什么需要基于 Error Budget 的自动调优？课程目标与学习路径。
1.1 什么是 Error Budget？
Error Budget（错误预算）是 SRE 实践中的核心量化指标，它将系统可用性目标转化为可消耗的“错误额度”。简单来说，Error Budget = 1 − SLO。例如，若某服务的 SLO 为 99.9%（每月约 43 分钟不可用），则每月 Error Budget 为 0.1%，即约 43 分钟的错误时间。
Error Budget 的核心思想是：可用性不是的，而是可管理的风险。它允许团队在“可靠性”与“创新速度”之间做出量化决策。
| 概念 | 定义 | 示例（月度） |
|---|---|---|
| SLO | 服务等级目标，期望达到的可用性百分比 | 99.9% |
| SLI | 服务等级指标，实际测量的可用性 | 99.85% |
| Error Budget | 允许的最大错误时间 = (1 − SLO) × 总时间 | 43 分 12 秒 |
| Budget 消耗 | 实际错误时间 / Error Budget | 已消耗 60% |
关键认知： Error Budget 不是“失败预算”，而是“创新预算”。当 Budget 充足时，团队可以大胆发布新功能；当 Budget 耗尽时，必须暂停发布，优先修复可靠性。
1.2 为什么需要基于 Error Budget 的自动调优？
传统熔断降级阈值依赖人工配置（如固定 50% 错误率触发熔断），存在以下痛点：
- 静态阈值无法适应流量波动： 突发流量下，固定阈值可能过早熔断或过晚触发。
- 人工调优滞后： 每次业务迭代后需重新评估阈值，运维成本高。
- 缺乏全局视角： 单一服务熔断决策未考虑整体 Error Budget 消耗情况。
基于 Error Budget 的自动调优，将熔断降级阈值与 SLO 目标动态绑定：
- 实时计算 Error Budget 消耗率： 通过 SLI 监控持续计算剩余 Budget。
- 动态调整熔断阈值： 当 Budget 消耗接近警戒线时，自动降低熔断触发阈值，提前保护系统。
- 恢复后自动复位： 当 Budget 恢复充足时，阈值自动放宽，允许更多流量通过。
实践效果： 某电商核心服务采用 Error Budget 自动调优后，熔断误触发率降低 70%，系统可用性从 99.95% 提升至 99.99%。
1.3 课程目标与学习路径
本课程旨在培养学员构建“监控 → 计算 → 决策 → 执行”闭环自动调优系统的能力。通过 30 章的系统学习，你将掌握：
| 阶段 | 核心能力 | 关键产出 |
|---|---|---|
| 基础篇（1-8 章） | 理解 Error Budget 原理、SLI/SLO 设计、熔断降级模式 | 可观测性指标体系设计文档 |
| 核心篇（9-18 章） | 实现 Error Budget 实时计算引擎、动态阈值算法 | Python/Go 自动调优中间件 |
| 实践篇（19-25 章） | 集成 Prometheus/OpenTelemetry、生产级部署 | 可运行的生产级调优系统 |
| 进阶篇（26-30 章） | 多服务级联调优、混沌工程验证、容量规划 | 企业级 SRE 自动化方案 |
1.4 学习路径与前置要求
本课程适合具备以下基础的学员：
- 编程能力： 熟悉 Python 或 Go 基础语法，能阅读和编写简单中间件代码。
- 运维基础： 了解 Prometheus 监控、微服务架构、熔断降级基本概念。
- 数学基础： 理解百分比、滑动窗口、简单概率统计。
注意： 课程中所有代码示例均提供 Python 和 Go 双版本。建议学员在本地搭建 Docker 环境（含 Prometheus + Grafana）以便跟随实践。