SRE错误预算：经济基础设施的断路器

本文以Knight Capital事件为引，阐述错误预算（Error Budget）作为SRE核心机制，如何从SLO推导并自动部署门控，进而成为国家关键基础设施的可靠性治理工具。

- 错误预算定义：从SLO（如99.9%可用性）推导，28天滚动窗口内允许的失败请求量（约43.8分钟完全不可用）。预算是一种战略资源，而非避免突破的阈值。
- 三级策略：健康（>75%剩余）可正常发布；退化（25-75%）限制部署频率；耗尽（<25%）冻结所有高风险变更，仅允许P0事故修复，需VP和SRE Lead联合批准覆写。
- 自动化门控：通过Argo CD PreSync Hook实现，在Kubernetes资源变更前执行，查询Prometheus剩余预算，耗尽时自动阻止同步；告警规则驱动策略迁移，支持14倍燃烧率实时告警。
- 货币化与治理：将预算剩余转换为美元金额，通过Splunk转发器为管理层提供经济影响仪表盘；映射到监管机构（如OCC SR 21-3）的操作韧性要求。
- 常见反模式：SLO设置过低、有预算无策略、仅关注重大事故忽略慢性消耗、开发团队豁免、覆写无审计。需通过成熟度模型逐步优化。

来源：开发者工具库｜工程效率
原文链接

#开发者 #工具

📢 频道：@DevToolboxHub