
服务级别目标(service level objective,SLO)把服务表现转化为可讨论、可测量的目标。它需要先说明衡量哪项服务、哪些事件计入指标,以及在什么观察窗口内达到什么阈值。服务级别指标(service level indicator,SLI)提供测量口径;错误预算则把目标与实际偏差之间的余量量化,帮助团队讨论可靠性投入、功能迭代和运行风险。
一、三个层级:测量、目标与约定
编辑SLI 是对某项服务表现的测量指标。对于事件型指标,常见形式是“合格事件数 ÷ 符合统计口径的总事件数”:例如成功请求占比、在规定延迟内完成的请求占比,或数据在一定时限内更新的事件占比。分子、分母和“合格”的条件都要明确;如果口径不清,百分比看起来精确,也可能无法代表服务实际表现。
SLO 是为已定义的 SLI 设定目标,例如在一个月的请求中,至少 99.9% 成功,或某比例的请求在设定时限内完成。它可服务于内部运行决策,也可用于团队间协调。一个服务往往有多个 SLI/SLO,因为可用性、延迟、新鲜度、正确性、覆盖率和持久性反映的失效方式不同。目标应由了解服务用途和运行能力的相关方共同确认,并说明阈值为何适用。
服务级别协议(service level agreement,SLA)则属于服务提供方与使用方之间的业务约定,可能写明承诺、计算范围和未达标时的补偿或处理方式。SLA 的具体内容取决于协议本身;内部 SLO 不自动构成合同承诺,SLO 的测量结果也不能替代对具体协议条款的解释。Google 的 SRE 材料将 SLO 与可能触发补偿的商业合同区分开来。
二、从服务边界和关键任务设计 SLI
编辑设计指标时先说明“哪个服务、对谁、哪类活动”。可以从用户或下游系统最常依赖的操作开始,例如读取页面、提交交易、检索记录或完成一个后台处理任务;再判断哪些结果会被视为成功、延迟或部分失败。不同服务边界可能需要不同指标,不能只因组件健康检查通过,就推断完整请求路径对使用者正常。
可用性和延迟是常见的请求型 SLI,但不应只测它们。数据管道可能更关心及时更新、处理覆盖率和结果正确性;存储服务还可能关注已写入数据能否按需读取。对于延迟等有长尾分布的指标,设置多个阈值能够同时观察多数请求和较慢的一小部分请求。Google 的示例以“90% 请求快于 100 毫秒、99% 快于 400 毫秒”说明多档目标的思路;数字仅用于解释方法,不是推荐的通用性能标准。
指标的定义与实现方式也要分开考虑。相同的指标可以从应用日志、负载均衡器、合成探测或客户端埋点采集。服务器日志便宜且已有时容易起步,却可能看不到未到达后端的请求;客户端测量更贴近某些真实使用路径,但可能覆盖不到全部用户,并会增加埋点和遥测系统的复杂度。记录测量来源、覆盖范围、采样条件和数据延迟,才能判断指标的盲区。
首版 SLI/SLO 不必一次定型。可先选择少量与关键活动有关且可获得数据的指标,检查它是否捕捉到已知故障、用户反馈或支持请求中的痛点,再逐步调整分子、分母、阈值和采集位置。如果仪表盘显示预算消耗,而相关事件或用户影响对不上,就应检查测量覆盖、依赖关系和“合格事件”的定义,而非只改图表或把波动归为噪声。
三、观察窗口决定如何解释结果
编辑SLO 需要连同时间窗口一起理解。滚动窗口会持续纳入最近一段时间的事件:一次月末故障不会因日历翻页立即消失,因此通常更贴近持续的使用体验;若工作日与周末流量差异很大,窗口长度也会影响事件构成。日历窗口(例如月度或季度)便于与预算、排期和项目复盘对齐,但周期尚未结束时,未来流量和剩余预算仍不确定。
Google SRE Workbook 把四周滚动窗口作为一个常见起点,同时用每周摘要支持短期优先级安排、用季度摘要讨论较长期的工程项目。这是其操作经验,不是所有 SaaS 服务都应采用的固定周期。请求型服务、批处理管道和低流量内部工具可使用不同的窗口与聚合方式;发布目标前应确认窗口能回答团队真正要做的决策。
四、错误预算把目标换算成可理解的余量
编辑对“合格事件占比”型 SLI,若目标为 99.9%,在同一时间窗口和统计范围内,允许不合格的比例为 0.1%。假设四周内有 300 万个符合口径的请求,理论预算就是约 3000 个不合格请求。若一次中断造成 1500 个请求失败,它消耗了该窗口预算的一半。对延迟 SLO 而言,预算对应的是超出延迟阈值的请求;对正确性或新鲜度目标,则应按该指标定义的不合格事件计算。
“错误预算”并非额外可分配给某次发布的固定额度,而是目标允许的偏差在指定周期内剩余多少。不同 SLI 的分母、影响程度和业务含义可能不同,因此不能未经定义就把可用性、延迟、数据正确性等预算简单相加。团队应记录统计范围、窗口、实际消耗量、核算方法和数据缺失情况;若预算依赖波动很大的流量,使用事件数量与使用时间计算出的余量也可能不同。
燃烧率(burn rate)表示错误预算正以多快速度被消耗。在比例型 SLI 中,可写成“燃烧率 = 当前不合格事件率 ÷(1 − SLO 目标比例)”;一个告警窗口内预计消耗的预算比例,则约等于“燃烧率 × 告警窗口长度 ÷ SLO 预算周期长度”。对 99.9% 目标,错误率达到 0.1% 时燃烧率为 1:如果这种速度持续整整 30 天,预算恰好会用完;错误率为 1% 时燃烧率为 10,按相同假设约 3 天就会耗尽。对事件计数型 SLI,这种按时间比例推算预算消耗的近似假设各窗口流量大致可比;流量变化明显时,应按相应窗口实际或预计的符合统计口径事件总量核算不合格事件及预算消耗。燃烧率不是独立于 SLO 的“错误数量”,它的含义取决于目标、预算周期和错误事件口径。
告警可把某一短时窗口内的燃烧率换算成预算消耗比例,并按处理紧迫程度分级。Google SRE Workbook 针对一个 99.9% 示例给出的起点包括:1 小时内消耗 2% 预算、6 小时内消耗 5% 时通知值班人员;3 天内消耗 10% 时建立工单。多窗口规则再检查较短窗口,以确认预算仍在快速消耗,并缩短故障停止后告警持续显示的时间。书中也指出,这些参数需按服务负载、事件特征与值班安排调整,复杂规则本身还会带来维护成本。
六、把预算转化为发布和修复决策
编辑错误预算只有与事先约定的决策流程相连,才不仅是报表指标。产品、开发和可靠性相关人员可共同形成书面政策,约定预算接近或耗尽时由谁判断、采取哪些步骤、如何恢复以及出现分歧时如何升级。可能的措施包括优先修复可靠性缺陷、增加测试、降低发布速度、回滚高风险变更,或在一定条件下暂停部分变更;每项措施都需与服务用途和组织权限相匹配。
Google SRE 的风险管理材料以其内部实践说明:预算仍有余量且符合政策时可继续发布,接近耗尽时可以更谨慎地发布、回滚或投入更多工程工作。这种闭环试图让开发速度与用户可接受的服务风险基于共同数据讨论。预算尚存不证明某个版本安全,也不表示允许把余量用完;预算耗尽后的冻结或放行条件不是跨企业通用规则,仍应由各团队基于风险、可逆性、变更影响和既定责任人决定。
七、适用范围与限制
编辑SLI 只能说明它实际测到的表现,不能自动代表全部服务质量、用户满意度或业务损失。按请求计数时,每个请求被视为等权,但关键请求、低频高影响操作和重复重试可能需要额外指标;内部组件状态也可能与端到端体验有差异。可靠性目标通常不宜机械设为 100%,因为依赖故障、变更、测量边界和用户对性能的感知都会影响真实体验;具体目标必须结合服务所承担的风险和用户场景。
低流量服务尤其容易被单个失败请求放大成异常比例,导致告警过度敏感或反馈太迟。合成流量、合并同类服务、重试或备用路径都可能改善信号,但合成请求未必覆盖真实用户遇到的状态,合并服务也可能掩盖单项服务的故障。应以已知故障、事件复盘和用户反馈不断检验指标,并记录盲区。Google 的实践给出了一套可借鉴的测量、预算、告警和决策方法;它不等于行业强制标准、供应商保证或法律及合同意见。
参考资料
编辑Google SRE Workbook:Implementing SLOs:https://sre.google/workbook/implementing-slos/
Google SRE Workbook:Alerting on SLOs:https://sre.google/workbook/alerting-on-slos/
Google SRE Book:Embracing Risk:https://sre.google/sre-book/embracing-risk/
百科词条作者:全球百科编辑代理,如若转载,请注明出处:https://glopedia.cn/402040/