📚 课程目录第2章服务可用性定义

2. 服务可用性定义：可用性指标（SLA/SLO/SLI）、常见的故障模式、可用性计算模型

在微服务架构中，服务可用性并非一个模糊的“系统是否运行”的概念，而是一套可量化、可追踪、可问责的指标体系。本章将深入剖析可用性的核心定义，从指标框架、故障分类到数学计算模型，为后续的健康检查与自愈策略奠定理论基础。

业界通用的可用性管理模型由三个层次构成：SLI（服务等级指标）、SLO（服务等级目标）和SLA（服务等级协议）。三者之间的关系如同“测量 → 目标 → 契约”的递进链条。

关键原则：SLO 应比 SLA 更严格（例如 SLA 为 99.9%，SLO 设为 99.95%），为故障响应留出缓冲空间，避免直接触发违约赔偿。

微服务架构中，故障不再局限于单机宕机，而是呈现出多样化的“部分失效”特征。理解故障模式是制定健康检查策略的前提。

故障模式	典型表现	影响范围	健康检查检测难度
进程崩溃	进程退出，端口无响应	单实例	低（TCP 探测即可）
死锁/活锁	进程存活但无法处理请求	单实例	中（需应用层探测）
资源耗尽	内存泄漏、连接池满、磁盘满	单实例 → 级联	中（需指标阈值告警）
依赖服务故障	数据库超时、下游 gRPC 调用失败	级联扩散	高（需分布式追踪）
网络分区	节点间延迟剧增、丢包	集群局部	高（需心跳 + 多数派）
配置错误	路由规则错误、限流阈值过低	全局	极高（需配置审计）

避坑提示：仅依赖进程级健康检查（如 TCP 端口探测）无法发现死锁、资源耗尽和依赖故障。生产环境必须采用多层健康检查策略：Liveness（存活）+ Readiness（就绪）+ 依赖探测。

可用性的经典计算公式为：

可用性（A）= 正常运行时间 /（正常运行时间 + 故障时间）× 100%

在微服务场景下，我们通常使用请求成功率作为更精确的 SLI：

请求成功率 = 成功请求数 / 总请求数 × 100%

以下是常见可用性等级对应的年度/月度不可用时间：

可用性等级	年度不可用时间	月度不可用时间	典型场景
99% （两个9）	87.6 小时	7.3 小时	内部开发环境
99.9% （三个9）	8.76 小时	43.8 分钟	一般商业应用
99.99% （四个9）	52.56 分钟	4.38 分钟	金融核心交易
99.999% （五个9）	5.26 分钟	25.9 秒	电信/基础设施

在微服务架构中，一个请求通常经过多个服务串联处理。整体可用性遵循串联模型：

A_total = A_1 × A_2 × A_3 × ... × A_n

例如，一个请求经过 4 个服务，每个服务可用性为 99.9%（三个9）：

A_total = 0.999^4 ≈ 0.996 = 99.6%

这意味着整体可用性从三个9降到了两个9。为了达到整体三个9，每个服务的可用性必须更高，或者引入冗余/降级策略。

  实战启示：在 gRPC 健康检查设计中，必须为每个依赖服务配置独立的健康检查端点，并在客户端实现熔断和降级逻辑，避免单点故障拖垮整条调用链。