SLI、SLO 与 SLA

度量用户真正体验到的服务

SLI 应从用户视角定义。对 API 而言，好的 SLI 是在边缘测得的、在 300 毫秒内返回成功响应的请求比例。服务器 CPU 或进程在线时间可以解释 SLI，但它们不是 SLI。服务可能“在线”，而每个请求都超时。

SLI: successful requests / valid requests, measured over 5-minute windows
SLO: 99.9% over 30 days
SLA: 99.5% monthly, with service credits

SLI 必须有清晰的分子、分母和测量点。“成功”需要定义：哪些状态码、哪些端点、排除哪些客户端错误。改变定义就改变了目标和错误预算。

设定留有余地的目标

99.9% 的月度 SLO 允许约 43 分钟完全中断，或取决于聚合方式，允许更大比例的部分失败。100% 的目标不现实，还会鼓励隐藏故障。根据用户容忍度和可靠性成本选择目标，并让 SLA 比 SLO 更宽松。

定期复核与演进

SLO 不是永久的。流量模式、依赖和产品预期都会变化。要定期复核 SLI 定义、目标和测量管道。如果团队持续未达标，要么可靠性工作需要改进，要么目标定错了；调查清楚再调整，不要悄悄调低。

何时使用

每个有可靠性承诺的面向用户服务都应定义 SLI 和 SLO。优点是共享、可度量的“健康”定义；代价是埋点和维护测量管道的工作。与原始在线率监控相比，SLO 反映用户体验，但需要谨慎设计分母和窗口。