3. 资源规划方法论：自上而下规划法、自下而上规划法、混合规划法
在基于 CAPI 的集群容量评估中，选择正确的资源规划方法论直接决定了规划的准确性与落地效率。不同的方法论适用于不同的业务阶段、数据完备程度与组织架构。本章系统阐述三种主流规划方法：自上而下规划法、自下而上规划法以及混合规划法，并给出每种方法的适用场景与操作步骤。
3.1 自上而下规划法（Top-Down）
自上而下规划法从业务目标与服务水平目标（SLO）出发，逐层分解至基础设施资源需求。该方法适用于战略规划阶段、新业务上线或大规模扩容场景。
核心步骤
- 确定业务负载目标：例如“支撑日均 1 亿次 CAPI 请求，P99 延迟 ≤ 5ms”。
- 建立性能基准模型：通过压测或历史数据，推导单节点（或单核）的 CAPI 请求处理能力。
- 计算资源总量：总请求量 ÷ 单节点容量 × 冗余系数 = 所需节点数。
- 分解至各资源维度：CPU、内存、网络带宽、磁盘 IOPS 等。
适用场景：业务目标明确、历史数据较少、需要快速给出顶层资源预算的场合。缺点是可能因基准模型偏差导致规划结果偏大或偏小。
自上而下规划法示意图
3.2 自下而上规划法（Bottom-Up）
自下而上规划法从现有基础设施的实测数据出发，逐层聚合形成容量视图，再与业务目标进行匹配。该方法适用于存量集群的精细化运营与扩容优化。
核心步骤
- 采集各节点资源利用率：CPU 使用率、内存占用、网络吞吐、磁盘延迟等。
- 聚合至集群维度：计算集群总容量与当前已用容量。
- 建立负载与资源映射关系：例如“每 1000 QPS 消耗 2 核 CPU + 4GB 内存”。
- 预测未来需求：基于业务增长曲线，推算所需新增资源。
实践要点：自下而上法依赖高质量监控数据。建议至少保留 90 天以上的历史数据，并剔除异常峰值（如促销、故障演练）以避免规划失真。
自下而上规划法示意图
3.3 混合规划法（Hybrid）
混合规划法结合了自上而下与自下而上两种方法的优势：用自上而下法确定目标与边界，用自下而上法校准模型与参数。这是企业级容量规划中最推荐、最稳健的方法。
实施流程
| 阶段 | 方法 | 主要活动 | 产出物 |
|---|---|---|---|
| 阶段 1 | 自上而下 | 确定业务目标、SLO、峰值吞吐量 | 顶层资源需求估算 |
| 阶段 2 | 自下而上 | 采集现网数据、建立负载模型 | 实际资源消耗基线 |
| 阶段 3 | 混合校准 | 对比顶层估算与基线数据，修正模型参数 | 校准后的容量模型 |
| 阶段 4 | 混合输出 | 生成最终资源规划方案（含冗余与弹性策略） | 可执行的扩容/缩容计划 |
常见误区：混合规划不是简单地将两种方法的结果取平均。关键在于“校准”环节——必须识别出自上而下估算与自下而上实测之间的偏差根因（如基准模型过时、数据采集盲区），并针对性修正。
3.4 三种方法对比总结
| 维度 | 自上而下法 | 自下而上法 | 混合法 |
|---|---|---|---|
| 数据依赖 | 低（依赖业务目标与基准假设） | 高（依赖详细监控数据） | 中高（两者兼需） |
| 规划精度 | 中等（易受基准偏差影响） | 较高（贴近实际运行状态） | 最高（交叉验证与校准） |
| 实施周期 | 短（数天至 1 周） | 较长（需数据清洗与建模） | 中等（2~3 周） |
| 适用阶段 | 新业务规划、战略预算 | 存量集群优化、日常运维 | 大型集群、关键业务容量保障 |
| 风险 | 可能过度规划或规划不足 | 可能忽略未来业务变化 | 需投入更多分析资源 |
3.5 基于 CAPI 的规划方法选择建议
- 新集群建设：优先采用自上而下法，结合 CAPI 官方性能基线快速估算初始规模。
- 已有集群扩容：采用自下而上法，利用 CAPI 监控指标（如请求队列深度、内存分配速率）建立精确模型。
- 关键业务保障：必须使用混合法，通过自上而下设定 SLO 红线，自下而上验证实际承载能力，最终形成闭环。
最佳实践：在 CAPI 集群中，建议每季度执行一次混合规划校准。当业务增长超过 30% 或硬件代际更替时，应触发专项规划流程。