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

  1. 服務與使用者旅程
  2. SLI 定義
  3. SLO 與錯誤預算
  4. 錯誤預算政策
  5. 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

SLISLO 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

SLISLO 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

  1. SLI 反映的是使用者感受嗎?
  2. SLO 是否經業務確認,且比 SLA 嚴格?
  3. 錯誤預算政策是否事先與業務方約定?
  4. 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

  1. 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
  2. 搭配「監控與告警設定範本」「事件報告範本」使用