SLO 定義與錯誤預算政策範本(SLO & Error Budget Policy Template)

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。 ...

October 6, 2026 · 2 min · 356 words · Eric Cheng

監控與告警設定文件範本(Monitoring & Alert Configuration Template)

監控與告警設定文件範本(Monitoring & Alert Configuration Template) 適用標準:Google SRE Workbook、ISO/IEC 20000-1:2018(Service Monitoring) 適用階段:維運階段(Operations Phase) 負責角色:SRE、DevOps Engineer、Tech Lead 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 文件資訊 監控策略概要 SLI / SLO 定義 監控指標設計 告警規則定義 Dashboard 設計 告警通知與升級 日誌監控策略 維護與檢討機制 附錄 審查與驗證 📝 範本 1. 文件資訊 項目 內容 文件名稱 [系統名稱] 監控與告警設定文件 文件編號 [專案代碼]-MON-[版本號]-[日期] 版本 v[X.Y] 建立日期 [YYYY-MM-DD] 負責人 [SRE / DevOps] 審核者 [Tech Lead / SA] 2. 監控策略概要 2.1 監控架構 層級 工具 用途 Infrastructure [Prometheus / CloudWatch / Azure Monitor] 主機/容器/網路 Application [APM: Datadog / New Relic / OpenTelemetry] 應用效能 Business [Custom metrics / Analytics] 業務指標 Logging [ELK / Loki / Azure Log Analytics] 日誌分析 Tracing [Jaeger / Zipkin / OpenTelemetry] 分散式追蹤 2.2 監控原則 原則 說明 Four Golden Signals Latency, Traffic, Errors, Saturation USE Method Utilization, Saturation, Errors(基礎設施) RED Method Rate, Errors, Duration(服務) Alerting Philosophy Alert on symptoms, not causes 3. SLI / SLO 定義 3.1 服務層級指標(SLI) SLI 定義 量測方式 資料來源 Availability 成功回應比例 success_requests / total_requests [Load Balancer / App] Latency 回應時間分佈 P50, P95, P99 [APM / Prometheus histogram] Throughput 處理量 Requests per second [Metrics] Error Rate 錯誤回應比例 5xx_count / total_count [Ingress / App] 3.2 服務層級目標(SLO) 服務 SLO 指標 目標值 Error Budget (月) 量測視窗 [API Service] Availability ≥ 99.9% 43.2 min(30 天 × 0.1%) 30 days rolling [API Service] P95 Latency < [N]ms — 30 days rolling [Web Frontend] Availability ≥ 99.5% 3.6 hr 30 days rolling [Batch Job] Success Rate ≥ 99.0% — Per execution 4. 監控指標設計 4.1 基礎設施指標 以下為 Prometheus node_exporter 的實際指標名稱;使用率需以 PromQL 計算,不是直接輸出的指標: ...

May 18, 2026 · 6 min · 1265 words · Eric Cheng