密码学与证书 / 系统课时
定义证书平台 SLO 与审计指标
定义证书平台 SLO 与审计指标
证书平台的可靠性不能只看“接口是否在线”。真正影响业务的是能否持续签发、按时续期、及时发现临近到期证书、完成撤销并在 CA 异常时快速切换。本篇把这些目标转换为可观测的 SLI、SLO 与审计指标。
学习目标
- 为签发、续期、到期、吊销和 CA 依赖定义可计算的 SLI
- 区分服务可靠性指标、风险指标与审计证据
- 用告警门槛和审计字段把指标接入日常治理
从用户可感知结果定义 SLO
SLO 应描述平台对调用方承诺的结果,而不是内部组件的健康度。以证书平台为例,签发 API 的 CPU 利用率不是 SLO;“合法请求在目标时间内成功拿到证书”才是。建议先明确统计窗口、成功条件、排除项和数据源,再设目标值。
| 领域 | 建议 SLI | SLO 示例 |
|---|---|---|
| 签发 | 成功签发请求数 / 合法签发请求数 | 30 天滚动成功率 ≥ 99.9% |
| 续期 | 从进入续期窗口到新证书可用的时延 | P95 ≤ 15 分钟 |
| 到期风险 | 距到期不足阈值且无有效替代证书的对象数 | 7 天内高风险对象 = 0 |
| 吊销 | 从批准撤销到 CA 确认撤销的处理时延 | P95 ≤ 10 分钟 |
| CA 可用性 | CA 请求成功率或健康探测成功率 | 30 天成功率 ≥ 99.95% |
SLO 数字要与业务容忍度匹配。内部批处理证书与互联网入口证书的风险不同,不应共享同一个到期阈值;多 CA 架构下还应分别记录每个 CA 的错误率和延迟,否则聚合后的“总体可用”会掩盖单一 CA 的退化。
为指标准备稳定的数据模型
至少需要把请求、证书对象和外部 CA 三类事件关联起来。请求级指标适合统计签发成功率和时延;证书级状态适合统计到期风险;CA 级指标负责识别依赖故障。所有计数器都要使用有限标签,避免把证书序列号、域名或请求 ID 直接做成 Prometheus label。
下面给出一个 Prometheus 规则文件片段示例,假设平台已经暴露 cert_issue_total、cert_renewal_latency_seconds 和 cert_seconds_until_expiry 等指标。
groups:
- name: certificate-platform-slo
rules:
- alert: CertificateIssuanceSuccessRateLow
expr: |
(
sum(rate(cert_issue_total{result="success"}[30m]))
/
sum(rate(cert_issue_total[30m]))
) < 0.999
for: 10m
labels:
severity: critical
annotations:
summary: "Certificate issuance success rate is below SLO"
- alert: CertificateExpiryRisk
expr: min(cert_seconds_until_expiry) < 7 * 24 * 3600
for: 5m
labels:
severity: critical
annotations:
summary: "At least one managed certificate is within the 7-day risk window"这份配置生效后,第一条规则在 30 分钟窗口内签发成功率低于 99.9% 且持续 10 分钟时告警;第二条规则在任一受管证书距离到期不足 7 天时告警。验证时应在 Prometheus 查询界面分别执行两条表达式,并用测试指标或预发布证书确认门槛能够触发和恢复。
用错误预算决定什么时候升级处置
签发成功率类 SLO 可以转换为错误预算。例如 30 天目标为 99.9%,意味着允许的失败比例为 0.1%。如果预算在月初就快速消耗,团队应优先修复平台、网络或 CA 依赖,而不是继续发布会扩大风险的变更。
错误预算不适合直接描述“证书即将过期”这种离散高风险事件。对到期、误签、撤销失败这类安全与合规风险,更合适的是零容忍门槛或分级阈值,例如 30 天预警、14 天高风险、7 天严重告警,并按证书用途设置不同升级路径。
审计指标必须回答谁做了什么
可靠性指标用于判断服务表现,审计日志用于证明关键动作发生过且可追溯。每个签发、续期、撤销、策略变更和 CA 切换事件至少应记录 request_id、操作者或服务身份、目标名称、证书标识、动作、结果、策略版本、CA、开始时间和完成时间。
治理面板最终应能同时回答三个问题:平台是否兑现 SLO、哪些证书正在接近风险窗口、关键动作能否追溯到明确的身份和策略。只有这三类证据能相互关联,证书平台才从“自动化脚本集合”升级为可运营、可审计的基础设施能力。