解读

“错误预算（Error Budget）”是 SRE 理念在国内互联网大厂的落地核心指标之一，通常由 1 - 可用性目标（如 99.9%）换算成月度或季度可容忍的不可用时间/失败量。预算一旦耗尽，意味着继续上线新功能将直接触碰 SLA 红线，引发资损、客诉、监管通报甚至绩效考核扣分。
面试官想考察的是：

1. 你是否理解错误预算的业务含义与财务/合规后果；
2. 能否用数据而不是情绪去“说服”；
3. 是否具备跨部门推动力，把“暂停”变成“共识”，并给出可落地的恢复与重启路径；
4. 是否体现性能测试工程师在容量风险、回滚方案、灰度策略中的专业话语权。

知识点

1. 错误预算计算逻辑：例如月度 99.9% 对应 43.2 min，已用 45 min 即透支。
2. 性能测试与错误预算的关系：高并发场景下的超时、OOM、线程阻塞、线程泄露、Full GC 等都会直接吃掉预算。
3. 国内合规与审计要求：金融、运营商、政务云等对 SLA 突破有书面报告义务；电商平台大促期间 SLA 突破可能触发监管约谈。
4. 风险分级与“三板斧”：可回滚、可降级、可限流；预算耗尽即触发“三板斧”强制门禁。
5. 说服模型：数据共识 → 财务/合规影响 → 用户舆情 → 替代方案 → 重启条件 → 责任共担。
6. 绩效与成本：SLA 突破会扣减整个 BU 的绩效奖金，服务器冗余成本、短信补偿、优惠券赔付可直接换算成人民币。
7. 重启门槛：性能测试报告 + 容量评估 + 回归压测通过 + 错误预算回补到 30% 以上。

答案

示范回答采用“STAR+数据”结构，总时长控制在 2 分半以内，可直接用于面试：

S（Situation）
“去年双 11 前的 10 月 28 日，我们核心交易链路的月度错误预算仅剩 2.1 分钟，而 29 日凌晨一次营销券秒杀压测直接吃掉了 4 分 30 秒，预算透支 2 分 20 秒，触发集团红色告警。”

T（Task）
“我的任务是：作为性能测试 Owner，必须在 30 分钟内拉起应急评审，说服业务 VP、产品经理和运营负责人暂停原定于 30 日全量上线的‘限时拼团’功能，并给出重启条件。”

A（Action）
“第一步，数据共识。我把 Grafana 大盘、Prometheus 明细和压测报告投到作战室大屏，指出本次超时 90% 由拼团接口 95th 延迟突增到 1.2 s 导致，根因是库存缓存热点 Key 未做分片，与上次复盘结论完全一致，证明风险已知且未修复。
第二步，财务换算。按去年客单价 218 元、转化率 3.2%、峰值 QPS 1.8 万估算，每多 1 分钟不可用约损失 120 万元；若 SLA 跌破 99.9%，集团对 BU 的绩效扣减系数为 0.7，相当于全员季度奖损失 800 万元。
第三步，合规压力。央行《金融营销宣传监管提示》要求对外公示服务可用性，跌破阈值需在 24 小时内提交书面说明，双 11 前被监管约谈将直接影响后续支付牌照年审。
第四步，给出替代方案。建议将拼团功能拆分到 11 月 2 日灰度，利用 3 天时间完成缓存分片 + 异步消息队列削峰，性能测试验证 95th 延迟 < 300 ms、错误率 < 0.1%，同时把预算回补到 30% 以上再上线。
第五步，责任共担。我当场在会议纪要里写明‘性能测试团队 48 小时内完成验证，业务团队负责回滚预案和客服脚本，若验证未通过则自动顺延’，并让各负责人飞书扫码确认，形成书面 OKR。”

R（Result）
“最终业务 VP 当场签字暂停上线，团队按计划在 11 月 2 日灰度，压测达标后全量，双 11 期间该链路 99.97% 可用，未再出现预算透支，我个人也因此获得年度技术卓越奖。”

拓展思考

1. 如果业务仍坚持上线，可升级至“技术委员会 + 风控合规 + 内审”三堂会审机制，用更高层级的 SLA 红线倒逼决策，但需提前在性能测试报告中给出回滚时间窗口（例如 3 分钟内一键回滚，数据零丢失）。
2. 对于微服务架构，可把错误预算拆分到子域，每个域独立预算，避免“一条绳子吊死”；性能测试工程师需要建立域级基准基线，用自动门禁脚本在 CI 阶段就拒绝超标变更。
3. 长期看，性能测试团队应推动“容量成本”纳入财务科目，把预算与云资源费用挂钩，让业务在“新功能收入”与“额外成本”之间做显性 ROI 权衡，减少纯技术口说服的难度。