时延类 SLI 归一化到健康分时「量程上界」怎么定才不漂移：固定 min-max 被单次毛刺拉爆、滚动分位数被大促抬高，P99 该用近 N 天分位数还是季节性分解+置信带？

【背景】 做了 8 年算法，后 3 年专做指标体系与大盘。现在给一条核心交易链路搭「服务健康分」（0–100，on-call 一眼看要不要升级），三个 SLI：

• P99 时延：基线 45ms，日常峰值 200ms，偶发毛刺到 500ms；
• 5xx 错误率：基线 0.1%；
• 连接池饱和度：HikariCP max=50。

前两个量纲差异大，必须各自归一化到 0–100 再合成（合成结构本身我在 id=2232 那个提问里问过了，这次不重复）。我真正卡住的是"归一化量程上界"这件事，比"用哪种加权"更前置，也更容易翻车。

【现象 / 卡点】 量程上界怎么定，是个死结，三种做法各有硬伤：

1. 固定 min–max（min=基线，max=历史峰值）：一次 500ms 毛刺就把 max 永久拉到 500，之后所有正常波动（150ms）都被压到 70 分以下，量程漂移后再也回不来，除非人工重置——运维成本高且滞后。
2. 「近 7 天 P99 的 P95」做动态上界：平时稳，但大促/周末周期性一来，上界被抬高，健康分系统性偏低；on-call 看到"72 分"，分不清是链路真好，还是量程被大促抬了。
3. 同环比双判据（同比 OR 环比超 20% 才告警）：大促同比去年没问题，但环比昨天——昨天是周末、量级本就不同，误报一堆。

【已尝试与结果】

• 固定 min–max + 手动重置 max：能跑，但每次大促后都要人工调，团队不愿接；
• 滚动 7 天 P95 上界 + P5 下界：日常可用，大促失真（健康分整体下移 15–20 分）；
• 同环比双判据：周末/大促误报率高，on-call 开始"狼来了"，信任被消耗。

【期望得到的答案形态】

1. 你们线上把时延类 SLI 归一化到健康分的量程上界到底用什么？固定值 / 滚动分位数 / 季节性分解（STL、Prophet、分位数回归）+ 置信带？各家的具体做法；
2. 大促这种"结构性变点"怎么隔离，不让它污染日常量程？（单独一套大促量程？变点检测自动切换？）
3. 有没有具体参数（窗口长度、上界取哪个分位数、置信带宽度）和真实数据（误报率 / 漏报率，或"大促期间健康分漂移了多少分"）？

带具体参数和数据的最好，比如"我们用近 30 天同 weekday 的 P99 取 P90 当上界，大促单独挂一套，误报率从 X% 降到 Y%"——这种比空谈方法论有用十倍。