前言
年后回来第一周小组周会上领导抛出了一个问题，‘有人知道 SLI SLO SLA 是什么吗？’，大家噤若寒蝉，看来大家的手里的工作没有跟这块相关的。恰好，本人最近在做（之家好UV）相关的治理工作，对这三个概念略有见解，于是简单输出了一波，由于时间限制，没有展开去讲，于是毛遂自荐在下次周会上单独分享这块知识，说干就干，收集知识点，整理文档，查阅之家 SLI 指标，与业界做对比，利用休息时间两天整理完毕！
SLI SLO SLA 是什么？
实际生活中，往往也会有一些在意的"指标"：
例如：作为餐厅管理者，为量化服务指标，会关注以下核心点：
- 餐厅菜品的味道
- 上菜时间
- 上菜错误率
- 客流量
- 点单等待时间
针对这些指标，制定对应的标准（目标）：
- 关于味道的客诉率小于 95%
- 上菜时间 ≤ 30 分钟
- 每月上菜错误率 < 1%
- 日均客流量 > 1000
- 顾客取号到点单平均时间
若未达到承诺标准（如超时上菜），需补偿顾客（如免单或赠送优惠券）。
类比技术服务中的概念：
- SLI（指标）：接口响应时间（如上菜时间）
- SLO（目标）：30 分钟内上菜、错误率 < 1%（对应 QPS 10000、错误率 1%）
- SLA（协议）：若未达标则赔偿（如云服务可用性不足时补贴费用）
技术服务中的定义
SLA（服务等级协议）
关键指标：用于评估服务质量的实际表现。
SLO（服务等级目标）
SLI 的预期目标（内部管理用），通常以百分比和时间范围定义：
- 通常是一个百分比，并与一个时间范围挂钩。比如，月度、季度、年度等。通常用一连串9来度量（平均值 or 百分位）。如果脱离了时间的度量，SLO的意义就不大了。
- 90%：这意味着10%的停机时间，也就是说在过去的30天里停机了3天。
- 99%：意味着在过去30天中有1%，或者说7.2小时的停机时间。
- 99.9%：意味着0.1%，或者说43.2分钟的停机时间。
- 99.95%：意味着0.05%，或者说21.6分钟的停机时间。
- 99.99%（4个9的正常运行时间）：意味着0.01%，或者说4.32分钟的停机时间。
- 99.999%（5个9的正常运行时间）：意味着0.001%，或者说26秒的停机时间。
示例：
- 本月系统 99% 的实际可用性 -> 服务在 99% 的时间内是可用的
- 确保本月系统的实际可用性为 99.97%
- 95% 的请求在 200 毫秒内完成
- 98% 的请求成功处理
- 错误率低于 0.1%
- 每分钟平均QPS > 100,000/s
- 99% 访问延迟 < 500ms
- 99% 每分钟带宽 > 200 MB/s
详细说明
- SLO：由 SLI 组成，提供性能、质量、可靠性的形式化描述
- SLA：对用户的承诺（如 99.9% 正常运行时间，未达标则退款）
核心概念总结
- SLA → Service Level Agreement → 服务等级协议
- SLO → Service Level Objective → 服务等级目标
- SLI → Service Level Indicator → 服务等级指标
示例：
- SLI：请求延迟
- SLO：99% 请求 < 5ms
- SLA：若 99.9% 请求未在 5ms 内完成，退还费用
为什么需要 SLA/SLO/SLI？
大厂案例
之家 SLI 指标
APP & WEB 指标
| 序号 | 服务分类 | SLO阈值目标 | SLI指标 | 指标口径 | SLI告警计算口径 | TP99计算逻辑 |
|---|---|---|---|---|---|---|
| 1 | App层 | 应用可用性 ≤0.08% | App 闪退率 | 闪退次数 / App启动次数 | 同左 | 正序 |
| 2 | 流畅度 ≤0.01% | 严重卡顿率 | 卡顿时间总和 / 页面总时长 | 同左 | 正序 | |
| 3 | 页面秒开率 ≥98% | App 页面秒开率 | 1秒内展示次数 / 总展示次数 | 同左 | 倒序 | |
| 4 | Web层 | 页面秒开率 ≥90% | Web 页面秒开率 | 白屏时间 ≤1800ms 次数 / 总展示次数 | 同左 | 倒序 |
| 5 | 页面正确率 ≥99.9% | Web 页面正确率 | 非4xx&5xx 请求次数 / 总请求次数 | 同左 | 倒序 |
