适用场景

没有指标的稳定性讨论都是感觉：用户说卡、运维说正常。SLI/SLO 把感觉变成数字，错误预算把"要不要发版"变成规则。

配置步骤（SLI 定义与采集）

# 可用性 SLI = 成功请求 / 总请求（按接口维度）
# 延迟 SLI = P95/P99 响应时间
# 数据正确性 SLI = 对账差异率
# 采集来源：网关日志、APM、业务埋点

关键参数与建议

  • SLI 选择：可用性（成功率）、延迟（P95/P99）、吞吐、数据正确性
  • SLO 设定：基于业务可接受度，而不是"越高越好"（99.9% 与 99.99% 成本差很大）
  • 错误预算：1 - SLO，用于平衡发布速度与稳定性
  • 测量口径：统计窗口、排除项（计划维护）要明确
  • 治理：预算耗尽时冻结高风险变更，优先稳定性工作

容易踩的坑

  • 只统计 2xx 不统计业务失败（如返回 200 但业务错误）
  • 全站平均掩盖单接口问题
  • 采集口径与业务理解不一致

验证与巡检

# 验证：SLI 与业务对账数据一致
  • 巡检：SLI 定义文档、与业务口径一致性确认

小结

SRE 指标落地的关键不是工具，而是业务方认可目标值。目标定完写进协议，之后讨论就有共同语言。

> 说明：文中命令为通用写法，不同型号/版本可能略有差异，落地前请对照设备实际版本的官方文档；带外管理与安全设备变更建议先在测试设备验证。