Skip to main content

1 / 4概念

Fault Tolerance & Observability

容错让系统在部分组件失败时仍满足 SLO,可观测性让团队在失败发生后能回答“哪里坏了、为什么、影响多大”。两者不是同一个东西:没有信号的容错只是猜测,没有容错目标的观测只是仪表盘收藏。

1 概念​

1.1 一句话定义​

容错是系统对故障的响应能力:检测、隔离、降级、恢复;可观测性是从指标、日志、追踪等外部输出推断内部状态的能力。SLO 把两者连成可验收的目标。

1.2 它解决什么问题​

  • 部分失败:一个下游超时不应拖垮整个请求链。
  • 故障定位:从用户症状追到具体服务、实例和依赖。
  • 告警质量:用症状和错误预算告警,而不是每个 CPU 毛刺都响。
  • 容量与成本:知道哪个维度饱和,扩容才有依据。
  • 复盘:用同一条 trace 还原一次失败的时间线。

没有可观测性,团队只能靠“重启试试”;没有容错,任何依赖抖动都会变成全站故障。

1.3 不属于本页的内容​

主题去哪
服务网格的 mTLS、重试与流量切分Service Mesh
消息系统的 lag 与投递语义Messaging & Events
共识与 leader 故障Consensus & Replication
容器与 Kubernetes 的调度故障Kubernetes、Docker
压测方法与容量模型Performance Testing

1.4 关键术语​

术语含义容易混淆的点
SLI可测量的服务水平指标,如成功率、P99不是目标
SLOSLI 的目标范围与时间窗不是对用户的合同
Error budget1 − SLO,允许的失败额度不是“可以随便失败”
Burn rate错误预算消耗速度不是瞬时错误率
Trace / Span一次请求的调用树与单个操作不是日志
REDRate、Errors、Duration面向请求
USEUtilization、Saturation、Errors面向资源