参考资料

• Google SRE Implementing SLOs
• OpenSLO Specification
• Prometheus Practices

可观测性（04） - SLI、SLO 与错误预算

读完后，你应能完成以下任务：

• 绘制“可观测性（04） - SLI、SLO 与错误预算 / SLI、SLO、SLA 的职责边界”的关键对象与数据流，解释“SLI 是可测量的用户体验，如成功请求比例或低于阈值的延迟比例；”，并用源码位置、日志或 Trace 标注证据。
• 为“可观测性（04） - SLI、SLO 与错误预算 / 窗口、分位与错误预算计算”设计正常与异常输入，验证“9% 月可用性意味着 0.1% 有效事件可失败，错误预算随窗口滚动消耗。”，输出首个偏差位置与回归测试结果。
• 实现“可观测性（04） - SLI、SLO 与错误预算 / 预算政策与发布决策”的最小代码或配置，检验“错误预算政策约定正常、快速消耗和耗尽时的动作，如冻结高风险发布、优先修复和演练。”，输出命令、结果与 Diff，并说明不适用边界。

一、先建立全局：SLI、SLO 与错误预算 是什么？

理解“SLI、SLO 与错误预算”，先要把标题中的对象放进同一条处理链：它接收什么输入，经过哪些状态变化，最终用什么证据判断结果。下表不另造概念，只把作者正文已经解释的章节按依赖顺序连起来。

“SLI、SLO 与错误预算”的第一个核心判断是：SLI 是可测量的用户体验，如成功请求比例或低于阈值的延迟比例；。先弄清这个判断中的对象和输入输出，后面的实现、故障和验收才有共同语境。

顺序	章节	读完本节应抓住的结论
1	SLI、SLO、SLA 的职责边界	SLI 是可测量的用户体验，如成功请求比例或低于阈值的延迟比例；
2	窗口、分位与错误预算计算	9% 月可用性意味着 0.1% 有效事件可失败，错误预算随窗口滚动消耗。
3	预算政策与发布决策	错误预算政策约定正常、快速消耗和耗尽时的动作，如冻结高风险发布、优先修复和演练。
4	可用性 SLI 查询思路	真实查询需处理遥测缺失、重试请求和无效流量。
5	SLO 是内部目标	SLO 是内部目标，SLA 是可能带商业后果的承诺。
6	指标口径使用好事件/有效事件	指标口径使用好事件/有效事件，排除项必须有业务理由，不能在故障后临时改分母。

1.1 核心对象之间怎样衔接

flowchart LR
  S1["SLI、SLO、SLA 的职责边界"] --> S2
  S2["窗口、分位与错误预算计算"] --> S3
  S3["预算政策与发布决策"] --> S4
  S4["可用性 SLI 查询思路"] --> S5
  S5["SLO 是内部目标"]

这张图只表达本文的讲解顺序，不替代正文机制。判断“SLI、SLO 与错误预算”是否真正掌握，需要能从最后一个结果沿图回到前面每个章节的输入、状态变化和证据。

1.2 再看失败：问题最早会出现在哪一步？

在“SLI、SLO 与错误预算”的对象和顺序已经明确后，再看可观察的失败：环境漂移、探针失真、权限错误、发布扩大故障或回滚不可用。定位时不从最后一条错误猜原因，而是沿上图找第一个偏离正文结论的节点。

二、SLI、SLO、SLA 的职责边界

SLI 是可测量的用户体验，如成功请求比例或低于阈值的延迟比例； SLO 是内部目标，SLA 是可能带商业后果的承诺。 指标口径使用好事件/有效事件，排除项必须有业务理由，不能在故障后临时改分母。

三、窗口、分位与错误预算计算

99.9% 月可用性意味着 0.1% 有效事件可失败，错误预算随窗口滚动消耗。 延迟 SLI 用达标请求比例比平均值更贴近体验； 对不同等级用户或关键接口分开定义，不用一个全站平均掩盖高风险路径。

四、预算政策与发布决策

错误预算政策约定正常、快速消耗和耗尽时的动作，如冻结高风险发布、优先修复和演练。 SLO 定期与产品、研发和值班复审， 核对遥测缺失、流量变化和用户投诉， 避免目标过松失去约束或过紧导致长期报警。

五、可用性 SLI 查询思路

示例把非成功业务响应计入坏事件。

sum(rate(http_requests_total{service="checkout", outcome="success"}[30d]))
/
sum(rate(http_requests_total{service="checkout"}[30d]))

真实查询需处理遥测缺失、重试请求和无效流量。 HTTP 状态并不总等于业务 outcome，应用应产生权威业务结果标签。

六、故障边界与验证

现象	常见根因	验证与处理
SLO 达标但用户持续投诉	SLI 只看 HTTP 或平均延迟	按用户旅程定义业务成功与尾延迟，并核对分群
发布频繁被冻结	目标脱离现状或预算策略无分级	基于历史基线重审目标，同时制定可靠性改进计划
故障期间 SLI 反而变好	失败流量未进入分母或遥测丢失	监控有效事件数量与遥测完整性，固定排除规则

七、动手验证：先跑通 SLI、SLO 与错误预算，再改变一个变量

前面的章节已经建立问题、概念和机制。现在把“SLI、SLO 与错误预算”放进同一套基线中运行；本节不再引入新术语，只验证前文结论能否被复现。

7.1 基线与候选只允许一个变量不同

验证“SLI、SLO 与错误预算”时，先固定制品、配置、运行环境、流量样本、权限和回滚条件。候选方案只能改变本次要验证的变量；如果同时更换数据、依赖和配置，即使结果改善，也不能知道是哪一项产生作用。

执行“SLI、SLO 与错误预算”时，动作是：执行部署或验收链路，并主动制造一次健康检查、网络或依赖失败。原始结果不能只保留截图或汇总分数，必须同步保存：命令退出码、事件、日志、指标、Trace、页面断言和制品摘要，使下一次复查可以在同一输入上重放。

实验要素	本文要求
固定条件	固定制品、配置、运行环境、流量样本、权限和回滚条件
唯一变量	本次候选方案与基线之间的一项明确差异
原始证据	命令退出码、事件、日志、指标、Trace、页面断言和制品摘要
通过阈值	成功路径达标，失败被及时阻断，恢复与回滚结果经过复测
立即停止	环境漂移、探针失真、权限错误、发布扩大故障或回滚不可用

7.2 执行前先排除不可比较条件

“SLI、SLO 与错误预算”开始前先确认下面四项；任一项不成立，都应先修复实验条件，而不是解释结果。

• 基线能够在“SLI、SLO 与错误预算”的当前环境重复运行。
• 候选只改变一个与“SLI、SLO 与错误预算”结论直接相关的条件。
• “SLI、SLO 与错误预算”的基线和候选使用同一批输入、同一版本依赖与同一通过阈值。
• “SLI、SLO 与错误预算”的原始输出和失败现场不会被重试、格式化或汇总覆盖。

7.3 执行后先核对证据完整性

结果出来后先检查证据，再讨论“SLI、SLO 与错误预算”是否通过。缺少中间状态时，最终输出只能说明现象，不能证明机制。

检查项	当前文章的判定
输入可追溯	固定制品、配置、运行环境、流量样本、权限和回滚条件
过程可回放	执行部署或验收链路，并主动制造一次健康检查、网络或依赖失败
结果可审计	命令退出码、事件、日志、指标、Trace、页面断言和制品摘要

“SLI、SLO 与错误预算”的一次合格基线对照按以下顺序执行：

1. 保存“SLI、SLO 与错误预算”基线版本及输入摘要，确认基线本身可以重复运行。
2. 写下“SLI、SLO 与错误预算”候选方案唯一变化的变量，以及它预期影响的指标。
3. 在同一环境执行“SLI、SLO 与错误预算”：执行部署或验收链路，并主动制造一次健康检查、网络或依赖失败。
4. 为“SLI、SLO 与错误预算”保存：命令退出码、事件、日志、指标、Trace、页面断言和制品摘要。
5. 使用“SLI、SLO 与错误预算”预登记条件判断：成功路径达标，失败被及时阻断，恢复与回滚结果经过复测。
6. 如果“SLI、SLO 与错误预算”未通过，不修改第二个变量，先恢复基线并保留失败现场。

八、用一张矩阵验证 SLI、SLO 与错误预算 的关键结论

矩阵按正文顺序列出“SLI、SLO 与错误预算”的结论。一次实验只选择一行，只改变这一行对应的条件；不要把多行合并成一个无法归因的大实验。

正文章节	已解释的结论	本轮唯一变量	必须保存的证据
SLI、SLO、SLA 的职责边界	SLI 是可测量的用户体验，如成功请求比例或低于阈值的延迟比例；	只改变与“SLI、SLO、SLA 的职责边界”相关的条件	命令退出码、事件、日志、指标、Trace、页面断言和制品摘要
窗口、分位与错误预算计算	9% 月可用性意味着 0.1% 有效事件可失败，错误预算随窗口滚动消耗。	只改变与“窗口、分位与错误预算计算”相关的条件	命令退出码、事件、日志、指标、Trace、页面断言和制品摘要
预算政策与发布决策	错误预算政策约定正常、快速消耗和耗尽时的动作，如冻结高风险发布、优先修复和演练。	只改变与“预算政策与发布决策”相关的条件	命令退出码、事件、日志、指标、Trace、页面断言和制品摘要
可用性 SLI 查询思路	真实查询需处理遥测缺失、重试请求和无效流量。	只改变与“可用性 SLI 查询思路”相关的条件	命令退出码、事件、日志、指标、Trace、页面断言和制品摘要
SLO 是内部目标	SLO 是内部目标，SLA 是可能带商业后果的承诺。	只改变与“SLO 是内部目标”相关的条件	命令退出码、事件、日志、指标、Trace、页面断言和制品摘要
指标口径使用好事件/有效事件	指标口径使用好事件/有效事件，排除项必须有业务理由，不能在故障后临时改分母。	只改变与“指标口径使用好事件/有效事件”相关的条件	命令退出码、事件、日志、指标、Trace、页面断言和制品摘要

8.1 记录本次实际实验

下面的记录用于“SLI、SLO 与错误预算”当前这一次实验，不是第二套知识目录。先从矩阵选择一个章节，再填写实际值；没有填写的字段表示尚未验证。

topic: "SLI、SLO 与错误预算"
selected_chapter: required
claim_from_article: required
baseline_version: required
changed_condition: exactly_one
execution: "执行部署或验收链路，并主动制造一次健康检查、网络或依赖失败"
evidence: "命令退出码、事件、日志、指标、Trace、页面断言和制品摘要"
pass_when: "成功路径达标，失败被及时阻断，恢复与回滚结果经过复测"
stop_when: "环境漂移、探针失真、权限错误、发布扩大故障或回滚不可用"
observed_result: required
first_deviation: null_or_evidence
recovery_replay: required_after_failure

8.2 边界实验必须证明能够停止和恢复

成功路径只能证明“SLI、SLO 与错误预算”在当前样本上工作，不能证明它可以进入生产。边界实验需要主动制造：环境漂移、探针失真、权限错误、发布扩大故障或回滚不可用，并观察系统是否在产生不可逆副作用前停止。

场景	只改变什么	应保存什么	通过标准
正常路径	使用已知有效输入	命令退出码、事件、日志、指标、Trace、页面断言和制品摘要	成功路径达标，失败被及时阻断，恢复与回滚结果经过复测
边界路径	把一个输入推进到约束临界值	临界值前后的输出与指标	不静默降级，不把部分结果冒充成功
明确失败	注入：环境漂移、探针失真、权限错误、发布扩大故障或回滚不可用	原始错误、首个异常阶段和最终状态	失败被正确分类且没有扩大副作用
恢复重放	执行：停止扩量，按制品、配置、运行时和依赖顺序定位并恢复	原失败样本的复测证据	原样本恢复，正常样本没有回归

恢复动作不是简单重启。对于“SLI、SLO 与错误预算”，第一步是：停止扩量，按制品、配置、运行时和依赖顺序定位并恢复。完成后使用原始失败样本复测；只验证一个新样本成功，不能证明触发条件已经消失。

“SLI、SLO 与错误预算”边界实验结束后，应把正常、临界、失败和恢复四类记录放在同一个运行批次中。这样才能区分“候选方案真的修复问题”和“环境变化让问题暂时没有出现”。

九、SLI、SLO 与错误预算 的结果解释

解释“SLI、SLO 与错误预算”实验时先看首个偏差，而不是最后一条错误。最后的异常通常只是上游状态错误的结果；从末端反推容易误把症状当根因。

观察结果	可以支持的判断	下一步
主链路没有达到预期	环境漂移、探针失真、权限错误、发布扩大故障或回滚不可用	先执行：停止扩量，按制品、配置、运行时和依赖顺序定位并恢复
异常链路无法恢复	环境漂移、探针失真、权限错误、发布扩大故障或回滚不可用	先执行：停止扩量，按制品、配置、运行时和依赖顺序定位并恢复
新样本成功但原样本仍失败	修复没有覆盖原始触发条件	固定原失败输入，恢复基线后重新比较
指标改善但证据无法回链	数据、版本或中间状态没有固定	暂停发布，补齐可追溯记录后重跑

“SLI、SLO 与错误预算”只有同时满足“成功路径达标，失败被及时阻断，恢复与回滚结果经过复测”，并且没有出现“环境漂移、探针失真、权限错误、发布扩大故障或回滚不可用”，才可以认为主链路通过。这里的“通过”只对当前固定版本、样本和环境有效，不能外推到尚未测试的容量、权限或数据分布。

如果“SLI、SLO 与错误预算”候选方案与基线差异很小，先检查证据分辨率是否足够；如果差异很大，先排除数据泄漏、环境漂移和版本不一致。两种情况都不能只看一个汇总均值，需要回到逐样本输出和中间状态。

“SLI、SLO 与错误预算”故障定位完成后，记录“现象、首个偏差、根因、改动、原样本复测”五项。缺少原样本复测时，只能标记为待观察，不能标记为已解决。

十、SLI、SLO 与错误预算 的发布判断

发布判断需要把“SLI、SLO 与错误预算”的质量、失败边界和恢复能力放在同一份记录中。以下任一条件缺失，都应停止扩量，而不是用“基本正常”替代证据。

• “SLI、SLO 与错误预算”的基线与候选只存在一个计划内变量。
• “SLI、SLO 与错误预算”的输入、代码、依赖、配置和数据版本可以追溯。
• “SLI、SLO 与错误预算”的正常、临界、失败和恢复样本使用同一套断言。
• “SLI、SLO 与错误预算”的原始输出、中间状态和失败现场已经保留。
• “SLI、SLO 与错误预算”的日志、Trace、截图和测试数据已经脱敏。
• “SLI、SLO 与错误预算”的停止条件、负责人和回滚入口已经演练。
• “SLI、SLO 与错误预算”尚未覆盖的输入、权限、容量和外部依赖已经登记。

最终记录至少包含基线版本、唯一变量、原始证据、首个偏差、恢复复测和发布责任人。没有参与本次修改的人如果不能据此重放“SLI、SLO 与错误预算”的判断，就不能发布。

十一、总结

• SLI、SLO、SLA 的职责边界：SLI 是可测量的用户体验，如成功请求比例或低于阈值的延迟比例；
• 窗口、分位与错误预算计算：9% 月可用性意味着 0.1% 有效事件可失败，错误预算随窗口滚动消耗。
• 预算政策与发布决策：错误预算政策约定正常、快速消耗和耗尽时的动作，如冻结高风险发布、优先修复和演练。
• 可用性 SLI 查询思路：真实查询需处理遥测缺失、重试请求和无效流量。