一句话回答
错误率是一个时间窗口内错误数占选定总量的比例:错误数 ÷ 分母 × 100。分母——浏览量、会话、访客或请求——决定这个数字的含义,所以对比错误率或设告警之前,先把分母写清楚。
公式: 错误率 = 错误数 ÷ 浏览量(TapCub 定义);变体:错误次数 ÷ 浏览量、出错浏览量 ÷ 总浏览量、失败请求 ÷ 总请求、1 − 无崩溃会话 ÷ 总会话、坏事件 ÷ 有效事件(SLI)
什么是错误率?
在监控里,错误率是一个时间窗口内,错误数占选定总量的比例:错误数 ÷ 分母 × 100。关键在于分母。同一周的数据,可以读出「按浏览量 0.9%」「3.75% 的会话受影响」「3% 的接口请求失败」——三个数都对,但它们是三个不同的指标。只写「错误率」三个字,说明不了在量什么。先给分母命名,再去对比报表、定目标、配告警。「先定分母,再定阈值」,就是本文要讲清楚的事。
错误率到底在量什么
Google SRE Book 把服务水平指标(SLI)定义为一个比值:好事件数 ÷ 有效事件总数。错误率是它的反面——坏事件数 ÷ 事件总数——所以数字有意义之前,先要做两个决定:
- 什么算错误(分子)。错误发生的次数?至少撞过一次错误的会话数?失败的 HTTP 请求数?这些是不同的计数,不能互换:一个访客可能把同一个缺陷触发几十次。
- 除以什么(分母)。浏览量、会话、访客还是请求,回答的是不同的问题:网站有多吵、多少访问出了问题、多少人受影响、接口有多可靠。
命名规则:报表和告警里不要写光秃秃的「错误率」,写成「错误率(按浏览量计次数)」或「受影响会话占比」。仪表盘上的错误率没标分母,先问清再比较:两个工具都报「2%」,量的可能完全是两回事。
错误率公式和可复算的算例
通用公式:
错误率(%)= 错误数 ÷ 分母 × 100
TapCub 错误页的定义是固定的:错误率 = 脚本错误数 ÷ 浏览量。别的工具固定的是别的分母——所以下面那张变体对照表才重要。
示例数据:某网站一周有 50,000 次浏览量、8,000 个会话、6,000 名访客、40,000 次接口请求。监控记录到 450 次 JavaScript 错误,波及 300 个会话、240 名访客;接口有 1,200 次请求失败。
| 分子 | 分母 | 计算 | 比率 |
|---|---|---|---|
| 450 次 JS 错误 | 50,000 次浏览量 | 450 ÷ 50,000 | 0.9% |
| 300 个受影响会话 | 8,000 个会话 | 300 ÷ 8,000 | 3.75% |
| 240 名受影响访客 | 6,000 名访客 | 240 ÷ 6,000 | 4% |
| 1,200 次失败接口请求 | 40,000 次请求 | 1,200 ÷ 40,000 | 3% |
同一周,四个「错误率」,从 0.9% 到 4%。按浏览量算的数看着让人放心;按会话算的数则说明大约每 26 次访问就有 1 次撞上错误。两个都成立——它们回答的是不同的问题。
光是分母就能让数字差十倍:同样 50 个错误,÷ 10,000 次浏览量 = 0.5%,÷ 1,000 次浏览量 = 5%。缺陷完全相同的低流量页面和高流量页面,报出来的错误率会差得很远。错误还会扎堆:450 次 ÷ 240 名受影响访客 ≈ 人均 1.9 次,所以按次数算会高估问题的覆盖面,同时低估它对真正撞上的那批人的伤害。
你的场景该用哪种错误率
| 变体 | 分子 | 分母 | 什么算错误 |
|---|---|---|---|
| 前端 JS,次数口径(TapCub 的定义) | JS 错误发生次数 | 浏览量 | 每次浏览量里捕获到的脚本错误 |
| 前端 JS,受影响浏览量口径(阿里云 ARMS 官方文档采用这种定义) | 至少出错 1 次的浏览量 | 总浏览量 | 一次浏览量不管抛几个错误都只计 1 次 |
| 接口错误率 | 失败请求数 | 总请求数 | 4xx 客户端错误算不算、还是只算 5xx 服务端错误,由你先定 |
| App 稳定性 | 无崩溃会话数或用户数 | 总会话数或总用户数 | 反向口径:报好的占比,见无崩溃率 |
| 服务 SLI | 坏事件数 | 有效事件总数 | 按服务在 SRE Book 里逐一定义(如失败与成功的 RPC 之比) |
跨工具比数字之前,前端还有两个坑:
- 覆盖范围不同。按 MDN 的说明,
error事件捕获同步脚本错误和资源加载失败;未处理的 Promise 拒绝走的是另一个unhandledrejection事件。只监听error的工具会漏掉每一个被拒绝的 Promise,它的「JavaScript 错误率」天然偏低。 - 次数和受影响单元不同。300 次出错浏览量上发生 450 次错误:按次数口径是 50,000 次浏览量的 0.9%,按受影响浏览量口径是 0.6%。两种都不算错;错的是拿一家的次数口径去比另一家的受影响口径。
让错误率失真的常见误区
- 把次数和受影响单元混着用。分子数的是错误次数,结论却写成「受影响用户占比」,请停下——次数会在同一个人身上重复。要说「人」,分子就用受影响会话数或访客数。
- 跨页面、跨服务平均比率。把 0.5% 的页面和 5% 的页面平均成「2.75%」,只要两边流量不同就会误导——真实比率由高流量页面主导。分子各自求和、分母各自求和,再除一次。
- 把所有 4xx 都算失败。预期内的客户端错误(输错网址的 404、登录前的 401)把接口错误率抬高了,就事先定好哪些状态码算错误并写进文档;MDN 的状态码参考把客户端与服务端错误分开,正是为了这个。相反,500 错误一定是服务端的失败,应当计入。
- 在小分母上设告警。每小时只有 10 次请求的页面,失败 1 次就是 10%。加最小错误数条件——错误率超阈值且错误数 ≥ 50——小样本就叫不醒任何人。
- 拿采样数据直接算率。采样后的错误数除以未采样的浏览量(或反过来),得出的率是错的。分子分母取自同一份数据,或按同一比例还原。
错误率告警阈值怎么定
「多少算正常」没有有出处的通用答案——结账接口和营销博客的容忍度不一样。别抄基准数字,用 SRE 的方法:
- 先量 30 天基线:用命名了分母的口径,把发版、活动带来的正常尖峰也包含进去。
- 定 SLO,推出错误预算。SRE Book 把预算定义为 1 − SLO。基线 0.9%,SLO 定成「至少 99% 的浏览量无错误」,预算就是 1%——只比常态高一点点,所以目标要定在基线撑得住的位置。
- 按预算消耗速度告警,而不是按裸尖峰。SRE Workbook 的告警章推荐燃烧率(burn rate)告警,用多个时间窗口过滤噪声。起始规则:错误率持续高于 2%(约为示例基线的两倍)且窗口内错误数 ≥ 50 时告警——示例阈值,按自己的基线调。
- 启用前先试运行。把规则回放过去 30 天,数一数会触发几次;正常流量下每周都触发,就放宽。
更完整的监控体系见网站性能监控;想让阈值自适应,见异常检测和设置流量告警。
错误率和转化:一次修复的前后对照
示例数据,接着上面那一周:450 次错误里,结账页一个 TypeError 分组占 300 次。它独占影响了 210 个会话;另外 90 个受影响会话还撞了别的错误,修完这个分组后它们仍算受影响。
- 修复前:450 ÷ 50,000 = 按浏览量 0.9%;300 ÷ 8,000 = 3.75% 的会话受影响。
- 修复上线后:次数减少 300,150 ÷ 50,000 = 0.3%;受影响会话减少 210,90 ÷ 8,000 = 1.125%。
- 结账目标,同样按会话算:修复前一周转化 256 ÷ 8,000 = 3.2%;修复后一周 304 ÷ 8,000 = 3.8%。
转化随修复一起动了,但这是相关,不是证明——两周之间季节、活动、流量结构也在变。把它当佐证,别当 A/B 实验结论。撇开保留项仍然成立的判断规则:错误次数集中在转化路径页面上时,先修这些分组,再去追散在低风险页面上的同样数量。
在 TapCub 里怎么看错误率
把示例那一周放进 TapCub:卡片上写着 0.9%,你想知道影响了谁、要不要设告警。分四步,每一步都先说清分母:
- 带着分母读卡片。打开监测 › 错误。卡片显示错误数、错误率(错误数 ÷ 浏览量)、受影响访客和受影响会话;示例那一周是 450 次错误、0.9%、240 名访客、300 个会话。这里的错误率按浏览量算,不是按请求或会话。脚本错误要求安装片段带
data-errors="true",默认片段已经带上;如果有人关掉了「JavaScript 错误」开关,页面空着不代表线上没出错。详见查找 JavaScript 错误。 - 找出造成损失的那一组。每组错误显示次数、涉及会话和最后出现时间,那个 300 次的结账页
TypeError会很显眼。展开它能看到每一次发生的时间、页面、位置、设备和会话,再打开会话看访客出错前做了什么。 - 用状态推进修复。分组状态分活跃、已解决、已忽略。修复上线后把结账那一组标为已解决,它就移出活跃列表;再看下一周的卡片:示例里按浏览量从 0.9% 降到 0.3%,受影响会话从 3.75% 降到 1.125%。
- 对内置指标告警。在全端分析 › 智能运营 › 监控里,对内置的
error_rate(或errors)设监控,粒度可选小时、天、周、月。先试运行,看过去 30 天会触发几次。同一条规则默认约 60 分钟内不重复通知,连续命中 3 次后暂停;它只通知,不会替你做任何操作。阈值按上文的基线方法来定。
边界:错误页的分母固定为浏览量。想按会话看转化路径,全端分析 › 经营分析 › 旅程地图会对每个按页面规则定义的阶段,给出出现错误事件的会话占该阶段会话的比例,并和流失放在一起看,「受影响会话」这个问题也有了着落。按请求算的接口失败率 TapCub 不计算,要从你的服务器或 APM 里取。TapCub 没有 Apdex 分(见 Apdex),不做 A/B 测试,监控也不会回滚发布。
另见:什么是 JavaScript 错误?类型、影响和排查优先级。
另见:什么是用户错误?含义、成因,以及如何区分用户错误和糟糕的设计。
资料来源
- Google,SRE Book 第 4 章:Service Level Objectives——SLI 比值、SLO、错误预算。
- Google,SRE Workbook 第 5 章:Alerting on SLOs——燃烧率告警与低流量处理。
- MDN,Window: error event——
error事件覆盖哪些错误。 - MDN,Window: unhandledrejection event——Promise 拒绝不走
error。 - MDN,HTTP response status codes——4xx 与 5xx 的定义。
这个解释清楚吗?
我们会根据反馈修改和补充这篇内容。
提交没有成功,请稍后再试。
谢谢你的反馈,我们会据此改进这篇内容。你已经反馈过这篇了,谢谢。
