· 可观测性
错误预算:用请求量解释一次故障的成本
从成功率、分母与同一统计窗口计算影响。
先选用户真正关心的事件
例如将生产 API 的有效请求定义为分母,返回预期响应的请求定义为分子。把健康探针是否计入、客户端取消如何处理、限流算谁的失败写清楚,避免同一个指标在不同看板上含义不同。
用一组数字算清楚
如果 30 天内有 100 万次有效请求,目标是 99.9%,允许失败 1000 次。某次故障带来 250 次失败,它用掉了这段窗口四分之一的错误预算。用请求量计算时,不能把每小时成功率直接做算术平均。
短窗和长窗一起看
短窗适合发现突然恶化,长窗能帮助过滤低流量时的偶发事件。排查时同时展示失败数和总请求数。配置告警前回放既往案例,检查它是否会遗漏明显事故或在低流量时反复触发。