SLO 落地实践

摘要：很多团队卡在“知道 SLO 好但落不下去”。本文把落地拆成六步：选服务 → 定 SLI → 设目标 → 算预算 → 配告警 → 闭环，每一步都给可执行动作。

适用环境

挑“挂了用户会骂、老板会问”的核心链路，先做一个，跑通再复制。

promql

# 可用性 SLI
sum(rate(http_requests_total{code!~"5.."}[5m])) / sum(rate(http_requests_total[5m]))

text

首版建议：可用性 99.5%，P99 延迟 500ms
（先宽松，跑一个月看实际再收紧，见小步快跑设 SLO）

把多窗口多燃尽告警规则写入 Prometheus rules 并 reload。

yaml

# 燃尽告警 → OnCall/IM（见告警分类）
route:
  matchers: ['alertname=~"Slo.*Burn"']
  receiver: 'page'

每月看达标率、预算消耗、事故，更新 SLO 文档与政策。

DANGER

落地最大的坑是“设完就忘”。SLO 必须和发布门禁、事故复盘绑定，否则只是一行注释。

bash

# 确认 SLI 表达式有数据
# 确认燃尽告警能触发并通知到人
amtool alert add alertname=SloFastBurn severity=critical

WARNING