0、总结

SLI是随时间变化的度量值，比如请求的延迟，每秒请求的吞吐量，或者每种请求的失败次数。这些值通常会随时间累积，然后被转换为一个比率，平均值或者相对某个阈值的百分比。

SLO是相关方一致同意的贯穿一个时间窗口（比如过去30天或者这个季度）内SLI累积成功数的目标

1、 SRE 服务质量

SLI 是我们选择的衡量系统稳定性的指标，SLO 是每个指标对应的目标，而我们又经常把 SLO 转化为错误预算，因为错误预算的形式更加直观。

转化后，我们要做的稳定性提升和保障工作，其实就是想办法不要把错误预算消耗完，或者不能把错误预算快速大量地消耗掉。

1.1 服务质量指标 SLI （Service Level Indicator）

该服务的某项服务质量的一个具体量化指标，用于测量性能。

性能指标的示例包括：

请求计数：例如，每分钟产生 2xx 或 5xx 响应的 HTTP 请求数。
响应延迟时间：例如，HTTP 2xx 响应的延迟时间。

SLI 通常分为两类：

基于请求的 SLI，通过计算服务的原子单位（例如成功的 HTTP 请求的数量）来测量服务性能。
基于窗口的 SLI，通过计算性能满足良好标准（例如低于给定阈值的响应延迟时间）的时间段（也称为窗口）来测量服务性能。

1.2 服务质量目标 SLO（Service Level Objective）

该服务的某个SLI的目标值、或目标范围，用于说明预期性能。

SLO的两种定义为：

SLI ≤ 目标值
范围下限 ≤ SLI ≤ 范围上限

SLO 由以下值组成：

SLI。例如，包含 HTTP 代码 200 的响应数与响应总数的比率。
持续时间。指标的衡量时间段。此时间段可以基于日历（例如，从一个月的第一天到第二个月的第一天），也可以是滚动窗口（例如，过去 30 天）。
目标。例如，希望在给定持续时间内满足的良好事件占事件总数的目标百分比（例如 99.9％）。

示例：

“在 14 天衡量的所有有效请求中，95% 的服务响应应快于 400 毫秒 (ms)。”

SLO 和 SLI 之间关系的图表：

1.2.1 SLO 的两种类型

SLO 有两种类型：

基于请求的 SLO
基于窗口的 SLO

1.2.2 基于请求的 SLO

基于请求的 SLO 基于一个 SLI，该 SLI 定义为良好请求数与请求总数的比率。当该比率达到或超出合规期的目标时，则基于请求的 SLO 得到满足。

例如，考虑以下基于请求的 SLO：“至少 95% 的请求延迟时间低于 100 毫秒。”良好请求是响应时间短于 100 毫秒的请求，因此合规性的测量标准是响应时间不超过 100 毫秒的请求的比例。如果此比例至少为 0.95，则表示该服务合规。

通过基于请求的 SLO，您可以了解服务在整个合规期间正常工作量的百分比（无论负载在整个合规性期间如何分布）。

1.2.3 基于窗口的 SLO

基于窗口的 SLO 基于一个 SLI，该 SLI 定义为满足一定良好标准的测量间隔数与总间隔数的比率。当该比率达到或超过合规期的目标时，基于窗口的 SLO 得到满足。

例如，考虑这样一个 SLO：“在一个 10 分钟窗口至少 99% 的时间内，第 95 百分位的延迟时间指标小于 100 毫秒”。一个良好的测量周期为 10 分钟，其中 95% 的请求的延迟时间小于 100 毫秒。合规性的衡量标准是这种良好周期的比例。如果此比例至少为 0.99，则该服务合规。

1.3 服务质量协议 SLA（Service Level Agreement）

该服务与用户之间的一个明确的、或不明确的协议，描述了在达到或没有达到SLO的后果。

如果SLO没有达到时，会有什么后果？如果没有定义明确的后果，那么我们就肯定在讨论一个SLO而不是SLA。

示例：

“如果服务在一个日历月内未达到 99.95％可用性，则该服务提供商每分钟都会因不合规而补偿客户。”

1.4 错误预算（Error Budget）

错误预算：用于测量实际性能与预期性能之间的差异，用于期望或可容忍的错误数。错误预算对于帮助做出有潜在风险的决策至关重要。

Error Budget = 100% — SLO

红色为错误预算

示例：

“如果我们的 SLO 达到 99.9％可用性，我们允许 0.1％的请求通过突发事件、事故或实验处理错误。”
如果我们的服务在4周内收到的请求数为1,000,000个，则99.9%的可用性意味着，我们在这段时间里的预算是1000个错误请求。

错误预算（Error Budget）最大的作用就是“提示你还有多少次犯错的机会”
错误预算是怎么得出的呢？其实计算方式一点都不复杂，简单讲就是通过SLO 反向推导出来的。

假设一个应用在4周的时间内，所有的请求次数为4,653,680，按照给出的 SLO 反向推导，就可以得到容许的错误次数，这就是错误预算。

SLO 指定了服务在合规期间内的性能水平。在合规期间未完成的部分将成为错误预算。错误预算量化了服务在合规性期间在满足 SLO 的前提下无法执行的部分。

通过错误预算，可以跟踪在合规期内违反 SLO 之前允许发生的独立不良事件（例如请求）的数量。您可以使用错误预算来管理维护任务，例如部署新版本。在错误预算接近耗尽时采取有风险的操作（例如推送新的更新）可能会导致违反 SLO。

合规期的错误预算为（1− SLO 目标）×（合规期中符合条件的事件）。例如，如果 SLO 是在 7 天的滚动期内 85% 的请求是良好的，则错误预算允许 15% 的这些请求是错误的。如果您在过去一周收到了 60480 个请求，则错误预算允许该总数的 15%（即 9072 个请求）是错误请求。如果提供的错误数超过此上限，则表明的服务在 7 天合规期内未达到 SLO。

1.5 关键用户旅程 (CUJ) critical user journeys

用户为实现一个目标与服务进行的一组互动，例如单次点击或多步骤流水线。

示例：“用户点击‘结算’按钮，等待购物车处理完成，系统返回收据。”

Google SRE： SLI、SLO、SLA 、Error Budget 详解相关推荐

VB On Error 使用详解
打不开MSDN,转载网友一篇,原帖地址VB On Error 使用详解 1. 微软提供的On Error Goto 的使用 To prevent error-handling code from ru ...
Google布隆过滤器与Redis布隆过滤器详解
一.什么是布隆过滤器? 布隆过滤器可以用来判断一个元素是否在一个集合中.它的优势是只需要占用很小的内存空间以及有着高效的查询效率.对于布隆过滤器而言,它的本质是一个位数组:位数组就是数组的每个元素都只 ...
golang error类型详解
error类型是go语言的一种内置类型,使用的时候不用特定去import,他本质上是一个接口, type error interface{Error() string //Error()是每一个订制的 ...
Google VR全景图片与视频功能开发详解
1. VR开发概述时下关于"谷歌.Android与VR"的各种言论纷飞.VR群里有人在争论Android VR是不是一体机,是不是类似Android Wear.为VR打造的全新平 ...
Google Open Images Dataset V4 图片数据集详解1-CSV与图片关系
今天我们来了解一下google 的Open Images Dataset V4,它的网址是这个:https://storage.googleapis.com/openimages/web/index. ...
Log4j写入数据库详解
log4j是一个优秀的开源日志记录项目,我们不仅可以对输出的日志的格式自定义,还可以自己定义日志输出的目的地,比如:屏幕,文本文件,数据库,甚至能通过socket输出.本节主要讲述如何将日志信息输入到 ...
从零开始玩转 logback、完整配置详解
官网地址:https://logback.qos.ch/manual/index.html 前些天发现了一个巨牛的人工智能学习网站,通俗易懂,风趣幽默,忍不住分享一下给大家.点击跳转到教程. 概述 L ...
SRE之SLI/SLO设定
微信公众号:运维开发故事,作者:夏老师 1什么是SLI/SLO SLI,全名Service Level Indicator,是服务等级指标的简称,它是衡定系统稳定性的指标. SLO,全名Sevice ...
SLO、SLI、SLA是什么？【AIOps智能运维的方向会是SLO吗】
1. SLO.SLI.SLA名词解释以及关系 2. Why SLO? SLO的目的 SLO 量化客户对可靠性的期望,找到客户对服务的可靠性感到满意的点(额外的可靠性价值微乎其微,此时新功能更加重要) ...
通过Prometheus来做SLI/SLO监控展示
微信公众号:运维开发故事,作者:乔克什么是SLI/SLO SLI,全名Service Level Indicator,是服务等级指标的简称,它是衡定系统稳定性的指标. SLO,全名Sevice Le ...

Google SRE： SLI、SLO、SLA 、Error Budget 详解