本文目录#
实施步骤#
- 定义服务分类：核心 API、后台任务等；
- 确定 SLI 指标：成功率、延迟、可用性、吞吐；
- 设定 SLO：与业务协商目标（例如 99.95% 可用性）；
- 错误预算：计算容许失败时间，驱动发布策略；
- 监控与告警：Prometheus Recording Rule + Alertmanager；
- 反馈循环：每月/季度评审 SLO，调整架构与流程。
指标采集#
- Micrometer + Prometheus：
http_server_requests_seconds,jvm_gc_pause_seconds； - 合成监控：黑盒探测外部可用性；
- 分布式追踪：Jaeger/Zipkin 评估端到端延迟；
- 日志分析：ELK/Opensearch 提取错误率。
告警策略#
- 短期窗口：快速识别突发故障；
- 长期预算：错误预算消耗告警；
- 双层告警：即时通知 + 工程任务（Tech Debt 修复）。
自动化#
- Dashboard：Grafana SLO 面板展示预算剩余；
- CI/CD：发布前检查预算状态；
- ChatOps：在 Slack/Teams 中展示指标与预算消费。
自检清单#
- 是否与业务方明确 SLO 定义及责任范围？
- 是否为每个 SLO 设置错误预算图表和告警？
- 是否建立回滚/降级策略与事后总结流程？
参考资料#
- Google SRE Workbook - Alerting on SLOs：https://sre.google/workbook/alerting-on-slos/
- Prometheus SLO Recording Rules：https://github.com/cloudprober/cloudprober/tree/master/examples/prometheus-slo
- Grafana SLO Dashboard 模板：https://grafana.com/grafana/dashboards/11378
本作品系原创，采用知识共享署名-非商业性使用-禁止演绎 4.0 国际许可协议进行许可，转载请注明出处。