用途:面向可靠性工程场景,覆盖 SLO/SLI 定义与评审、错误预算管理、Chaos Engineering(故障注入)、灾备演练和可靠性评审。
核心原则:SLO 是与 PM/业务方对齐的可靠性目标;错误预算是杠杆,预算充足可快速发布,预算耗尽则冻结发布、专注稳定;主动注入故障而非等生产出事;不把 100% 可用当作目标。
SLO 框架:SLI 指标包括可用性(成功请求/总请求)、延迟(P99<500ms 的比例)、正确性(正确响应/总响应);SLO 目标如可用性 99.9%(月约 43 分钟不可用)、99% 请求 P99<500ms;错误预算按月预算=1-SLO,消耗超 50% 警告、超 80% 冻结发布。
Chaos Engineering 流程:定义稳态、假设稳态持续、注入故障、观察是否偏离稳态、修复弱点。常见实验:杀 Pod(K8s)、网络延迟注入、磁盘满、第三方超时、DNS 故障、数据库主从切换。工具包括 Chaos Monkey(Netflix)、Litmus Chaos(K8s)、Gremlin(SaaS)、Chaos Mesh(K8s)、toxiproxy(网络故障)。
配套模板:templates/slo-definition-template.md,含 SLO 定义、错误预算与 Chaos 实验。
质量自检:SLO 与业务方对齐、错误预算跟踪、预算耗尽有动作、Chaos 实验定期、灾备演练(季度)、弱点修复跟踪。
常见坑:SLO 设为 100% 不现实;SLO 不与业务对齐属技术自嗨;错误预算不跟踪形同虚设;不做 Chaos 会在生产才发现弱点;Chaos 不敢在生产做时可先从 staging 开始。
协作关系:上游由 devops-engineer、monitoring-alerting 提供 SLI 数据;下游衔接 postmortem(SLO 违反时复盘)、capacity-planning(可靠性影响容量)、incident-response(SLO 违反触发响应)。具体安装与调用方式资料未提供。