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

Metrics Visualization 教學手冊

Metrics Visualization 教學手冊(Prometheus + Grafana) 文件資訊 項目 內容 文件版本 2.0 最後更新 2026-10-01 版本基準 Prometheus 3.15.0(2026-09-24)、Prometheus LTS 3.13.x(支援至 2027-07-31)、Grafana 13.2.3(2026-09-29)、Alertmanager 0.34.1;完整矩陣見 1.3 版本基準與相容性矩陣 文件定位 企業標準技術白皮書/內部標準教材:指標設計、PromQL 分析、儀表板、告警與 SLO、架構決策與治理 適用對象 資深後端工程師、系統架構師、SRE/DevOps 工程師、技術主管、資安與稽核人員 前置知識 Linux 與容器、Kubernetes 基本概念、RESTful API、微服務架構、基本監控概念 姊妹文件 《Prometheus與Grafana教學手冊》:安裝、設定檔、維護、升級操作步驟;《OpenTelemetry教學手冊》:OTel SDK 與 Collector 前一版本 1.0(2026-01-26,以 Prometheus 2.x/Grafana 11 時期做法為主) Created by Eric Cheng 📌 v2.0 改版重點:全面對齊 Prometheus 3.x 與 Grafana 13。修正 v1.0 中無法執行或結果錯誤的範例,例如 relabel 位址改寫、predict_linear 子查詢語法、錯誤率告警百分比顯示、不存在的指標名稱 redis_keys_total、Pushgateway「TTL」說法、以「P99 達標時間比例」定義延遲 SLO 等。新增原生直方圖、OTLP 與 UTF-8、Kubernetes Operator、Alertmanager 設計、規則單元測試、Dynamic dashboards、Dashboard as Code(Git Sync)、Grafana Alerting、多視窗多燃燒率告警、SLO 工具鏈、Grafana Assistant 與 MCP、AI 治理,以及第 9 章「企業級部署、容量與治理」。完整差異見 D.2 v1.0 → v2.0 更正對照表,查證依據見 附錄 E:查證紀錄。 ...

January 26, 2026 · 64 min · 13522 words · Eric Cheng