SLO 定義與錯誤預算政策範本(SLO & Error Budget Policy)#
參照標準:Google SRE Book/SRE Workbook(SLO、Error Budget、Multiwindow Multi-burn-rate Alerts)
文件用途:定義服務的 SLI、SLO 與錯誤預算,並約定預算耗盡時的處理方式
適用階段:設計階段定義,上線前完成告警,每季檢討
範本版本:v2.0(2026-10-06)|對應《軟體開發標準程序教學手冊》v2.0 第 10.2 節
📋 章節目錄#
- 服務與使用者旅程
- SLI 定義
- SLO 與錯誤預算
- 錯誤預算政策
- 審查與驗證
1. 服務與使用者旅程#
📝 範本#
| 項目 | 內容 |
|---|
| 服務名稱 | {名稱} |
| 關鍵使用者旅程 | {使用者最在意的 2–3 件事} |
| SLO 擁有者 | {團隊/負責人} |
| 相關 SLA | {對客戶的合約承諾,若有} |
📖 使用說明#
- SLO 從「使用者感受」出發,不是從伺服器指標出發
- SLO 應比 SLA 嚴格,保留緩衝
💡 範例#
| 項目 | 內容 |
|---|
| 服務名稱 | HRMS API |
| 關鍵使用者旅程 | 1. 打卡;2. 請假申請;3. 薪資單查詢 |
| SLO 擁有者 | HRMS 開發部(SRE 窗口:張) |
| 相關 SLA | 內部服務,無對外 SLA;對 HR 部門承諾每月可用率 99.5% |
2. SLI 定義#
📝 範本#
| SLI | 好事件定義 | 總事件定義 | 量測位置 | PromQL(比例) |
|---|
| {名稱} | {條件} | {條件} | {負載平衡器/應用程式/合成監控} | {查詢式} |
📖 使用說明#
- SLI 寫成「好事件 ÷ 總事件」,結果介於 0 與 1
- 指標名稱必須與實際 instrumentation 相符,並在 Prometheus 確認查得到資料
💡 範例#
| SLI | 好事件定義 | 總事件定義 | 量測位置 | PromQL(比例) |
|---|
| 可用性 | 回應狀態非 5xx | 所有請求 | 應用程式(Micrometer) | 1 - (sum(rate(http_server_requests_seconds_count{job="hrms-api",status=~"5.."}[30d])) / sum(rate(http_server_requests_seconds_count{job="hrms-api"}[30d]))) |
| 延遲 | 回應時間 ≤ 300 ms | 所有請求 | 應用程式(histogram) | sum(rate(http_server_requests_seconds_bucket{job="hrms-api",le="0.3"}[30d])) / sum(rate(http_server_requests_seconds_count{job="hrms-api"}[30d])) |
延遲 SLI 的 le="0.3" 必須是 histogram 實際存在的 bucket 邊界;Spring Boot 可用 management.metrics.distribution.slo.http.server.requests=300ms 加入此邊界。
3. SLO 與錯誤預算#
📝 範本#
| SLI | SLO 目標 | 時間視窗 | 錯誤預算 | 告警(燃燒率) |
|---|
| {SLI} | {目標} | {30 天滾動} | {1 − SLO,換算成時間或請求數} | {快速/慢速燃燒門檻} |
📖 使用說明#
- 錯誤預算 = 1 − SLO;99.9% 在 30 天視窗下為 43.2 分鐘(30 × 24 × 60 × 0.001)
- 告警採多視窗、多燃燒率:快速燃燒(1 小時與 5 分鐘皆 > 14.4 倍)立即通知;慢速燃燒(6 小時與 30 分鐘皆 > 6 倍)上班時間處理
- 告警規則範例見《監控與告警設定範本》(已以 promtool 驗證)
💡 範例#
| SLI | SLO 目標 | 時間視窗 | 錯誤預算 | 告警(燃燒率) |
|---|
| 可用性 | 99.9% | 30 天滾動 | 0.1%(約 43.2 分鐘) | 快速 14.4×(P1)、慢速 6×(P3) |
| 延遲(≤ 300 ms) | 99% | 30 天滾動 | 1% 的請求可超過 300 ms | 快速 14.4×、慢速 6× |
4. 錯誤預算政策#
📝 範本#
| 預算剩餘 | 處理方式 | 決策者 |
|---|
| > 50% | {正常發布} | {PO} |
| 10%–50% | {限制} | {Tech Lead} |
| < 10% 或已耗盡 | {凍結非必要發布,優先穩定性} | {部門主管} |
📖 使用說明#
- 政策在 SLO 制定時就與業務方約定好,避免預算耗盡時才爭論
- 安全修補不受凍結限制
💡 範例#
| 預算剩餘 | 處理方式 | 決策者 |
|---|
| > 50% | 正常發布,可進行風險較高的變更 | PO |
| 10%–50% | 高風險變更需 Canary 並由 Tech Lead 核准 | Tech Lead |
| < 10% 或已耗盡 | 凍結功能發布;下一個 Sprint 至少 50% 容量投入穩定性改善 | 部門主管 |
5. 審查與驗證#
本節供審查者使用,也用來檢查 AI 依本範本產出的 SLO 文件是否正確。
自動檢查#
| 檢查項目 | 方法 |
|---|
| SLI 查詢有資料 | 在 Prometheus 執行第 2 節 PromQL,結果介於 0 與 1 |
| 告警規則 | promtool check rules、promtool test rules |
| 錯誤預算計算 | 以公式重算:視窗分鐘數 × (1 − SLO) |
人工審查問題#
- SLI 反映的是使用者感受嗎?
- SLO 是否經業務確認,且比 SLA 嚴格?
- 錯誤預算政策是否事先與業務方約定?
- 延遲 SLI 的 bucket 邊界是否存在?
AI 常見錯誤#
- 錯誤預算算錯(例如以 30.44 天計算卻標示 30 天視窗)。
- 把 SLO 設成 100%。
- 延遲 SLI 使用不存在的 histogram bucket。
📌 範本使用注意事項
- 先為 1–3 個關鍵使用者旅程定義 SLO,不要一開始就涵蓋所有 API
- 搭配「監控與告警設定範本」「事件報告範本」使用