7、站点可靠性工程（SRE）实用指南

站点可靠性工程（SRE）实用指南

错误预算的多元用途

服务级别指标（SLIs）、服务级别目标（SLOs）和错误预算是站点可靠性工程的基石。虽然关于它们的定义已有诸多论述，但如何运用这些概念却鲜少提及。经典的做法“有错误预算时发布新特性，没有时则停止发布并专注于可靠性”略显陈旧，实际上，错误预算数据能支持更多决策。

• 确定项目工作重点 ：基于SLO的可靠性方法能提供更优数据，助力更好的讨论与决策。与其严格规定代码发布时间，不如利用错误预算数据明确团队工作重点。例如，当系统可靠性未达预期，可安排部分团队成员在下个冲刺阶段专注于修复问题，而非开发新特性。
• 把握实验时机 ：引入变更可了解系统情况，可主动进行变更以观察服务反应，如进行混沌工程实验、故障转移演练，或尝试新算法、垃圾回收方法等。可依据错误预算状况选择实验时机，近期可靠性不佳时可暂缓，若剩余错误预算充足则可大胆尝试。
• 主动消耗多余预算 ：若有其他服务依赖自身服务，需确保可靠性与宣传相符。可主动关闭服务，让依赖团队了解在不可靠情况下其服务的表现。
• 按兵不动 ：若错误预算充裕，可因团队有其他紧急任务而维持现状；若预算多次耗尽，可能需等待新硬件到货或遭遇了黑天鹅事件，此时难以立即转向可靠性工作。

错误预算旨在提供更优数据以支持决策。若有有意义的SLI和合理的SLO，错误预算数据能助你思考随时间推移系统是否满足用户期望与需求，可按需灵活运用。

推动变革的有效策略