SLI、SLO 和错误预算分别是什么？

简化版

SLI 是用户可感知可靠性的量化指标，SLO 是某时间窗口内的目标，错误预算是允许的不可靠份额。它把“要多可靠”转成工程与发布决策，但 SLO 不是对外法律承诺，SLA 才通常包含合同后果。

详细版

先定义有效事件、好事件、窗口和数据源，例如 30 天内有效支付请求 99.95% 在 1 秒内成功。错误预算为 1-SLO；通过多窗口燃烧率告警，预算消耗过快时冻结高风险发布并优先可靠性工作。

SLI 要从用户边界测量，排除项必须有限且公开；低流量服务同时看事件数和持续时间。滚动窗口适合持续决策，日历窗口适合结算，两者不能混用口径。

完整版教学

一、三个概念的关系

SLI = good events / valid events
SLO = target(SLI, time window)
error budget = 1 - SLO

记忆钩子：SLI 是尺子，SLO 是目标线，错误预算是允许越线的空间。

二、好事件怎样定义

HTTP 200 不一定是业务成功；支付应以明确成功状态和时延判断。用户取消、恶意请求是否进入分母要事先定义，不能事故后临时排除来美化数据。

数据源优先靠近用户边界，并有去重和缺失检测。采样日志不适合直接作为精确 SLI 分母。

三、数字算例

30 天有 1000 万次有效请求，SLO 99.9%，允许坏事件为 10,000,000×0.1%=10,000。若一天已坏 5000 次，就消耗了整月一半预算，不能只看当前成功率仍接近 99.9%。

SLO	允许错误率	每百万请求允许坏事件
99%	1%	10,000
99.9%	0.1%	1,000
99.99%	0.01%	100

四、燃烧率告警

燃烧率是当前错误率除以允许错误率。99.9% SLO 下观察到 1% 错误，燃烧率为 10；若持续不变，预算会以正常速度十倍消耗。

短窗口高阈值发现急性事故，长窗口较低阈值发现持续退化；双窗口同时满足可减少瞬时噪声。

五、窗口选择

滚动 30 天每天更新，适合发布决策；日历月易于业务结算，但月初和月末行为不同。窗口和时区必须固定，并处理迟到数据修正。

低流量服务单个错误会造成巨大百分比波动，可结合绝对事件数、合成监控和时间可用性。

六、错误预算策略

预算健康时允许正常创新；快速消耗时收紧发布、增加评审并处理可靠性债务。策略由业务和工程共同约定，不能让平台单方面用预算惩罚团队。

计划维护是否计入预算必须事先定义；用户仍受影响时，随意排除会让 SLO 失去可信度。

多个 SLI 不应简单平均；可为可用性和延迟分别设 SLO，或按关键旅程定义联合好事件。

预算报表要展示数据完整性，采集缺口期间不能默认所有请求都是好事件。

七、常见误区与追问

• 误区：SLO 越高越好。 成本可能急剧上升且超过用户需要。
• 误区：SLO 就是 SLA。 SLA 通常是外部合同与赔付承诺。
• 误区：只看月末是否达标。 快速燃烧需要提前响应。
• 误区：事故后可以调整分母。 排除规则必须预先、透明且稳定。
• 追问：多用户旅程怎么定义？ 分步骤 SLI 加端到端关键旅程 SLI。
• 追问：无流量时可用性怎么算？ 避免假设 100%，结合合成探测与口径说明。
• 追问：预算耗尽怎么办？ 按既定策略限制风险变更并优先恢复可靠性。

八、加强记忆

用“好事件/有效事件”定义 SLI，在固定窗口设可实现的 SLO，剩余份额就是错误预算。用燃烧率提前发现消耗，用预算策略平衡发布和可靠性；口径从用户边界出发，排除、低流量和迟到数据都要预先治理。