4. SLA 与 SLO 基础：定义、关系与连接池场景应用

在连接池水位监控与告警阈值设计中，SLA（Service Level Agreement，服务等级协议）、SLO（Service Level Objective，服务等级目标）和SLI（Service Level Indicator，服务等级指标）是三个核心概念。它们构成了从业务承诺到技术指标再到可度量数据的完整链路。理解这三者的定义及其关系，是设计合理告警阈值的前提。

4.1 核心定义

4.2 三者之间的关系

SLA、SLO、SLI 构成一个自上而下的金字塔结构：

• SLA 在最顶层：定义业务层面的承诺与后果，通常由产品、法务、商务团队与客户协商确定。
• SLO 在中间层：由技术团队根据 SLA 推导并设定，是系统设计与运维的“靶心”。SLO 必须比 SLA 更严格，以预留容错空间（Error Budget）。
• SLI 在底层：是具体的可观测指标，通过监控系统采集并计算，用于评估 SLO 的达成情况。

三者之间的核心关系可以用以下公式表达：

SLI 的聚合值（如月度达标率） ≥ SLO 阈值 → SLA 达标
SLI 的聚合值 < SLO 阈值 → 触发内部告警，启动应急响应
SLI 的聚合值 < SLA 阈值 → 触发对外违约，启动赔偿流程

4.3 在连接池场景下的应用

将 SLA/SLO/SLI 框架应用于连接池水位监控，需要将抽象的承诺转化为具体的、可操作的阈值。以下是典型的设计步骤：

1. 定义 SLI（测量什么）：确定连接池的关键健康指标，通常包括：
   • 水位百分比：活跃连接数 / 最大连接数 × 100%
   • 等待队列长度：当前等待获取连接的请求数
   • 获取连接等待时间（P99/P95）：请求从入队到获取连接的时间
   • 连接超时率：获取连接超时的请求占比
   • 连接泄漏率：未正确归还连接的占比
2. 设定 SLO（目标是多少）：基于业务容忍度，为每个 SLI 设定内部目标。例如：
   • 水位百分比：P99 ≤ 80%（避免接近 100% 导致阻塞）
   • 等待队列长度：P99 ≤ 5 个请求
   • 获取连接等待时间：P99 ≤ 10ms
   • 连接超时率：≤ 0.1%
3. 推导 SLA（对外承诺什么）：将 SLO 转化为对外承诺，通常更宽松。例如：
   • 连接可用性（非超时率）≥ 99.9%
   • 平均获取连接时间 ≤ 50ms
4. 设计告警阈值：告警阈值应基于 SLO 设定，而非 SLA。通常设置多级阈值：
   • Warning（警告）：接近 SLO 边界（如水位 75%），提前干预。
   • Critical（严重）：达到或超过 SLO 边界（如水位 80%），立即处理。
   • Pager（紧急）：接近 SLA 边界（如水位 90%），需要紧急响应。

4.4 连接池水位监控的 SLA/SLO/SLI 关系图

下图展示了从业务承诺到技术指标再到监控数据的完整链路，以及告警阈值在其中的位置：

4.5 连接池场景下的 SLI 与 SLO 映射表

以下表格展示了连接池场景中常见的 SLI、对应的 SLO 建议值以及告警阈值参考：

4.6 连接池水位监控的 Error Budget 机制

Error Budget（错误预算）是 SLA/SLO 框架中的核心概念，它定义了在 SLO 范围内允许的“不可用”或“不达标”时间。在连接池场景中，Error Budget 的计算与应用如下：

• 计算方式：Error Budget = 1 - SLO（例如 SLO 为 99.95%，则 Error Budget 为 0.05%，即每月约 21.6 分钟）。
• 消耗与告警：每次连接超时或等待时间超标都会消耗 Error Budget。当消耗超过一定比例（如 50%）时触发告警，提醒团队在剩余预算耗尽前进行优化。
• 决策依据：如果 Error Budget 充足，可以接受较低风险的变更或发布；如果 Error Budget 紧张，则应暂停非紧急变更，优先解决连接池问题。