SRE系列（二） | 从可用性到 SLI/SLO
目录
- 1、系统可用性：别只盯着“几个 9”
- 一、可用性的两种计算方式
- 二、时间维度：从“宕机时长”出发
- 三、请求维度：从“成功率”出发
- 四、几个 9，怎么定？
- 五、回顾
- 2、SLI 与 SLO，稳定性的第一步
- 一、SLI 和 SLO 是什么？
- 二、如何选择合适的 SLI？
- 三、如何设定合理的 SLO？
- 四、SLO vs SLA
- 五、回顾
1、系统可用性：别只盯着“几个 9”
在上一讲里我们聊到，SRE 是一套体系化工程，核心目标就是两个：提升 MTBF，降低 MTTR。说得直白一点，就是尽量减少故障发生，同时让系统出问题时能更快恢复。
那问题来了——我们到底用什么来衡量“系统稳定性”？业界最常见的答案就是：可用性（Availability）。
你肯定听过所谓的 “三个 9” (99.9%)、“四个 9” (99.99%) 这些说法。听起来很炫，但要真正用好“可用性”这个指标，很多团队其实理解得并不一致。今天我们就花一节课，把“系统可用性”聊透。
一、可用性的两种计算方式
目前业界有两种主流计算方式：
-
时间维度
[
Availability = \frac{Uptime}{Uptime + Downtime}
]
也就是系统运行的正常时间 / 总时间。 -
请求维度
[
Availability = \frac{Successful , Request}{Total , Request}
]
也就是成功请求数 / 总请求数。
这两个公式都很简单，但背后的含义却不一样。
二、时间维度：从“宕机时长”出发
这是最常见的方式。比如说，一年 365 天，如果系统有 3.65 天不可用，那就是 99% 可用性。
下表是常见的“几个 9”和对应的故障时间：
可以看到，从 99% 到 99.999%，差距非常大。比如 99.9%（三个 9），一年可以停机 8.76 小时；而 99.999%（五个 9），一年只能容忍 5 分钟 故障。
不过，时间维度的缺点也很明显：它只关注“大故障”，但对那些频繁的小异常几乎无感。
想象一下，一个系统每天短暂抖动几秒钟，虽然总 Downtime 不多，但对用户体验来说其实很糟糕。这就是时间维度不够精细的地方。
三、请求维度：从“成功率”出发
为了更精细化，很多团队会用请求维度来算可用性。
举个例子：某系统一天有 100,000 次请求，如果失败 5001 次，成功率就是 94.999%，低于 95% 的阈值，那就算系统不可用。
这种方式的优点是更贴近用户感受：哪怕只有几秒钟的异常，如果影响了请求成功率，也会被记录下来。
所以总结一句话：
- 时间维度关注“宕机时长”；
- 请求维度关注“用户体验”。
四、几个 9，怎么定？
那么，到底要定多少个 9 才算“合格”？
其实没有统一答案，要看三个因素：
-
成本
可用性越高，成本越高。要上“双活”“多活”，资源和运维投入都会翻倍。不是所有公司都能承担。 -
业务容忍度
核心业务（支付、交易）容不得闪失，至少要“三个 9”甚至“四个 9”。
非核心业务（评论、评分）则可以容忍低一些。 -
系统现状
不要一口气定得太高。比如现在只有 98%，那先冲到 99%，再逐步提升。目标太高反而打击团队信心。
五、回顾
- 两种可用性计算方式：时间维度、请求维度；SRE 更偏好请求维度，因为它覆盖了更多“不稳定”的情况。
- 几个 9 不是越多越好，要结合成本、业务重要性和系统现状来设定。
- 记住一句话：故障一定意味着不稳定，但不稳定不一定意味着故障。
把“系统可用性”这个指标聊清楚了，它是理解 SLI（服务等级指标） 和 SLO（服务等级目标） 的基础。
在 SRE 的实践中，我们不只是看系统有没有大故障，而是要更全面地衡量运行状态，把“不稳定”也纳入考虑范围。下一讲，我们就会正式进入
SLI/SLO 的世界。
2、SLI 与 SLO，稳定性的第一步
聊了“几个 9”，但光有“几个 9”还不够，因为没有明确的指标和目标，我们就无法衡量和改进系统的稳定性。这就是为什么 SRE 强调 SLI 和 SLO。
上面复盘了系统可用性的两种计算方式：
- 时间维度：从宕机时长出发；
- 请求维度：从成功请求占比出发
并且我们说过，在 SRE 实践中，更推荐使用 请求维度，因为它更贴近用户体验。
那问题来了：如果要用请求维度来衡量稳定性，就需要回答两个问题：
- 我们到底监控哪些指标？
- 这些指标要达到什么目标，才算“稳定”？
这两个问题的答案，就是今天的主角：SLI 和 SLO。
一、SLI 和 SLO 是什么？
-
SLI（Service Level Indicator，服务等级指标）
我们用来衡量系统稳定性的指标。 -
SLO（Service Level Objective，服务等级目标）
给这些指标设定的目标值，比如“成功率 ≥ 99.95%”。
👉 举个例子：
在电商系统的购物车服务（trade_cart）中：
- “状态码非 5xx 的比例” 就是 SLI；
- “大于等于 99.95%” 就是 SLO。
一句话：SLO 是 SLI 要达到的目标。
二、如何选择合适的 SLI？
监控指标成百上千，哪些能做 SLI？我们要抓住两个原则：
-
能否直接反映主体的稳定性？
如果主体是应用层，就优先选择应用层的指标，而不是 CPU 使用率这种系统层指标。 -
是否与用户体验强相关？
成功率、延迟、错误率，这些用户能感知的指标优先。
快速选择方法：Google 的 VALET
Google 提供了一个非常实用的方法 —— VALET：
- V (Volume 容量)：QPS/TPS、吞吐能力
- A (Availability 可用性)：请求成功率、任务成功率
- L (Latency 时延)：响应速度，例如“95% 请求 ≤ 200ms”
- E (Error 错误率)：错误码比例、业务异常
- T (Tickets 人工介入)：人工干预次数
👉 VALET 是 SLI 选择的“快速备忘单”，覆盖了最关键的五个角度。
三、如何设定合理的 SLO？
有了指标，还得设定目标。常见有两种方式：
- 单一条件
比如：Successful = （状态码非 5xx） & （时延 <= 80ms） Availability = Successful / Total
缺点是过于死板。
- 组合条件（推荐）
- SLO1：99.95% 请求状态码成功率
- SLO2：90% 请求时延 ≤ 80ms
- SLO3：99% 请求时延 ≤ 200ms
只有全部满足，系统才算达标。
👉 这种方式更灵活，也能避免平均值掩盖极端情况。
四、SLO vs SLA
这里要特别区分一下：
- SLO：工程目标，团队内部用来约束和改进。
- SLA（Service Level Agreement）：商业承诺，对客户的合同保障，违约要赔偿。
所以：SLO 更细，SLA 更宽松。
五、回顾
- SLI 是指标，SLO 是目标；
- SLI 要能直接反映主体稳定性，并和用户体验挂钩；
- Google VALET 是快速识别 SLI 的方法论；
- 设定 SLO 时推荐组合条件，而不是单一条件；
- SLO 面向内部，SLA 面向外部。