cs-note/hhs/MS/05-部署运维/04-SRE实践/02-错误预算深度解析.md

tags, create time

tags	create time
sre error-budget budget-allocation sre-alerting	2026-05-18 00:50

Error Budget 深度解析 — 稳定性与速度的平衡杠杆

概述

Error Budget（错误预算）是 SRE 体系中最具实操价值的概念之一。它将抽象的"SLO 目标"转化为具体的可消耗量，为产品迭代的快慢提供量化依据。更多背景见 ../04-SRE实践/01-SLI-SLO-SLA详解。

计算方式

可用率 = (总时间 - 故障时间) / 总时间 × 100%
错误预算 = 1 - SLO

SLO = 99.9% → 错误预算 = 0.001
      每月可容忍故障 = 30 × 24 × 60 × 0.001 = 43.2 分钟
      每周可容忍故障 = 7 × 24 × 60 × 0.001 = 10.1 分钟
      
SLO = 99.99% → 错误预算 = 0.0001
      每月可容忍故障 ≈ 4.3 分钟

[!tip] 理解错误预算的本质

错误预算不是"允许出错的额度"，而是"允许不完美的空间"。它回答了一个关键问题：在当前的可靠性要求下，团队还能冒多大的风险？

基于错误预算的决策矩阵

flowchart TD
    Ratio["错误预算使用率 = 已消耗 / 总预算"]
    
    Ratio -- "< 50%" --> Green["🟢 绿灯阶段<br/>预算充足: 可以大胆发布<br/>新功能、尝试激进方案<br/>常规发布节奏"]
    Ratio -- "50~90%" --> Yellow["🟡 黄灯阶段<br/>预算紧张: 收紧发布频率<br/>增加人工审查<br/>暂停非关键功能开发"]
    Ratio -- "\> 90%" --> Orange["🟠 橙灯阶段<br/>严重不足: 冻结发布<br/>专注稳定性修复<br/>全员 On-Call"]
    Ratio -- "\> 100%" --> Red["🔴 红灯阶段<br/>预算耗尽: 禁止所有<br/>功能性变更<br/>SLO 事故复盘"]
    
    style Green fill:#c8e6c9
    style Yellow fill:#fff9c4
    style Orange fill:#ffe0b2
    style Red fill:#ffcdd2

各阶段的典型行动清单

阶段	功能发布	技术债处理	人员安排
🟢 绿灯	正常节奏	按计划推进	按需 On-Call
🟡 黄灯	减少 50%，需额外审批	启动专项清理	增加第二响应人
🟠 橙灯	冻结（仅 Hotfix）	全员投入修复	负责人值班
🔴 红灯	全面冻结	Postmortem + 专项改进	全员待命

错误预算告警联动

# Prometheus 告警规则示例
groups:
  - name: error-budget
    rules:
      - alert: ErrorBudgetBurnRateHigh
        expr: |
          sum(rate(http_requests_total{status=~"5.."}[1h])) /
          sum(rate(http_requests_total[1h])) > 0.001
        for: 1h
        labels:
          severity: warning
          budget_phase: yellow
        annotations:
          summary: "错误预算消耗加速"
          message: "当前错误率 {{ $value }}% > SLO 阈值 0.1%"
      
      - alert: ErrorBudgetExhausted
        expr: |
          (sum(rate(http_requests_total{status=~"5.."}[24h])) /
           sum(rate(http_requests_total[24h]))) >= 0.001
        labels:
          severity: critical
          budget_phase: red
        annotations:
          summary: "错误预算已耗尽！"
          message: "本月 SLO 已破线，冻结非紧急变更"

[!info] Multi-window Burn Rate Alerting

Google SRE 推荐的做法是使用两个窗口来检测预算消耗速度：

• 短窗口（1h/5m）：检测突发大量错误的情况（立即触发黄灯）
• 长窗口（半天/一天）：检测慢性缓慢泄漏的情况（防止温水煮青蛙）

只有当两个窗口同时超限时才亮红灯，这样可以避免误报导致的警报疲劳。

补充：多服务 Error Budget 管理策略

当集群中有几十上百个服务时，不能把所有预算分配给同一个 SLO。推荐分层策略：

层级	示例	预算分配
P0 核心链路	支付、登录	99.99% → 极低容错
P1 重要服务	订单、搜索	99.95% → 中等容错
P2 一般服务	后台管理、报表	99.9% → 较高容错

[!tip] Error Budget 分配实战技巧

将月度预算均匀摊分到每周作为基线。例如月预算 43 分钟 → 每周预算约 10 分钟。这比月末一次性清算更有操作性——你可以在周报中直接看到本周预算余量。

关联笔记

• ../04-SRE实践/01-SLI-SLO-SLA详解 — SLI/SLO/SLA 三层模型基础
• ../04-SRE实践/03-SRE心法与事故复盘 — Blameless Postmortem 模板
• ../hhs/MS/05-部署运维/02-Kubernetes — K8s HPA 弹性伸缩支撑 SLO 保障