SRE 週報模板（Prometheus + SLA/SLO 版）

目的：每週用一致格式回報服務健康、SLO 達成、風險與改善進度。
期間：YYYY-MM-DD ~ YYYY-MM-DD

---

1) Executive Summary（給主管 30 秒看懂）

• 本週整體 SLO：✅ 達標 / ⚠️ 風險 / ❌ 未達
• 最高風險服務：<service-name>
• 重大事件：P1 x ?, P2 x ?
• 下週最重要 3 件事：
  1. ...
  2. ...
  3. ...

---

2) SLA / SLO 達成概況

Service	SLI	SLO Target	本週實際	結果
api-gateway	Availability	99.90%	99.95%	✅
checkout	P95 Latency	<= 300ms	420ms	❌
webhook	Error Rate	< 0.1%	0.08%	✅

註：若有 SLA（對客承諾）請另外標註 SLA 違約風險。

---

3) Error Budget

Service	週期	Budget 總量	已消耗	剩餘	Burn Rate
api-gateway	30d	43.2 min	12.1 min	31.1 min	0.8x
checkout	30d	43.2 min	38.7 min	4.5 min	2.3x

判讀規則（建議）

• Burn rate > 2x：高風險，需立刻抑制變更或啟動改善。
• 剩餘 budget < 20%：進入保守模式（減少高風險發布）。

---

4) 事件與穩定性

4.1 Incident Summary

• P1: ? 次
• P2: ? 次
• 平均 MTTR: ? 分鐘
• 最長中斷: ? 分鐘

4.2 Top Incident（最多 3 件）

1. 事件名稱：
   • 時間：
   • 影響：
   • 根因：
   • 已修復：
   • 待補強：

---

5) Prometheus 指標重點（Top Signals）

• Availability（up / success rate）
• Latency（P50/P95/P99）
• Error（5xx、timeout、retry）
• Saturation（CPU、Memory、Queue、DB 連線）

異常觀察（本週）

• <metric> 在 <time range> 出現尖峰，推測原因 <cause>
• <service> P95 latency 持續偏高，已建立 issue <link>

---

6) 變更與風險

• 本週發布次數：?
• 失敗回滾次數：?
• 高風險變更：
  • <change>（風險：高 / 狀態：已完成|回滾|觀察中）

---

7) 下週行動（Actionable）

優先級	項目	Owner	ETA	驗收標準
P0	降低 checkout P95 latency	@owner	YYYY-MM-DD	P95 < 300ms 連續 7 天
P1	補齊告警去噪	@owner	YYYY-MM-DD	誤報率下降 50%
P1	壓測 webhook 流量尖峰	@owner	YYYY-MM-DD	2x 流量無錯誤峰值

---

8) 附錄（連結）

• Grafana Dashboard: <url>
• Prometheus Query snippets: <url/path>
• Incident Postmortems: <url>
• 相關 GitHub Issues: <url>

---

PromQL 範例（可直接改）

# 1) 5xx rate
sum(rate(http_requests_total{status=~"5.."}[5m]))
/
sum(rate(http_requests_total[5m]))

# 2) P95 latency
histogram_quantile(0.95, sum(rate(http_request_duration_seconds_bucket[5m])) by (le, service))

# 3) Availability (success rate)
1 - (
  sum(rate(http_requests_total{status=~"5.."}[5m]))
  /
  sum(rate(http_requests_total[5m]))
)