Что такое error budget и зачем он нужен?

Термины:

• SLI (индикатор) — что меряем: доля успешных запросов, доля запросов быстрее порога, свежесть данных;
• SLO (цель) — какое значение SLI нужно за окно: «99,9% запросов успешны за 30 дней»;
• SLA (соглашение) — обещание клиентам с последствиями (возврат денег). Его делают слабее SLO, чтобы был запас.

Бюджет ошибок — допустимая «ненадёжность»: 0,1% запросов за месяц или ~43 минуты полной недоступности. Он превращает спор «фичи против стабильности» в арифметику:

• бюджет расходуется медленно — можно выкатывать чаще и рискованнее, проводить эксперименты;
• бюджет кончился — заморозка рискованных изменений, работа над надёжностью, разбор причин.

Почему не 100%: пользователь не отличит 99,99% от 100% из-за своей сети и устройств, а каждая девятка требует кратно больше вложений (резервирование, дежурства, замедление выкаток). SLO выбирают по потребности пользователей.

Алерты строят на скорости прожигания: «если так продолжится, бюджет кончится за двое суток» — это значимо, а одиночный всплеск ошибок — нет.

SLO 99,9% за 30 дней → бюджет 0,1% ≈ 43 мин недоступности
SLO 99,99%           → ≈ 4,3 мин
SLO 99%              → ≈ 7,2 ч