SLI、SLO 与错误预算

概述

SLI、SLO 与错误预算是 Google 在《Site Reliability Engineering》一书中系统阐述的服务可靠性管理框架。SLI(服务等级指标)是对服务质量的量化测量,如请求成功率、延迟 P99;SLO(服务等级目标)是对 SLI 设定的目标阈值,如 30 天内 99.9% 的请求成功;SLA 则是带商业赔偿条款的对外承诺,通常比内部 SLO 宽松。

错误预算

SLO 的精髓在于承认 100% 可靠既不可能也不经济。1 减去 SLO 即错误预算:99.9% 的月度目标意味着约 43 分钟的不可用额度。预算充足时团队可以放心发布新功能;预算耗尽则冻结发布、优先偿还稳定性欠账。这把可靠性与迭代速度的矛盾转化为可量化的决策机制。

实践要点

好的 SLI 应贴近用户体验,常用事件比率法定义;SLO 需配合燃尽告警在预算快速消耗时及时通知;Prometheus、Datadog、Grafana 等工具均提供 SLO 管理能力。