1. 课程导论：IDP平台工程概述、故障域隔离演练的重要性、容量突增场景下的挑战、Helm水位预测的价值
1.1 平台工程与IDP：从基础设施到内部开发者平台
平台工程（Platform Engineering）是近年来云原生领域发展最快的实践之一。其核心目标是通过构建内部开发者平台（Internal Developer Platform, IDP），抽象底层基础设施的复杂性，为开发者提供一条自服务的黄金路径（Golden Path）。IDP 并非单一工具，而是一套由门户、编排引擎、运维策略和治理规则组成的集成系统。
| 能力维度 | 描述 | 典型工具/组件 |
|---|---|---|
| 开发者门户 | 提供自助服务界面，管理服务目录、环境、权限 | Backstage, Port, Cortex |
| 编排引擎 | 自动化资源申请、部署流水线、配置下发 | Argo Workflows, Tekton, Crossplane |
| 运维策略 | 定义故障域隔离、容量限制、安全基线 | OPA/Gatekeeper, Kyverno |
| 可观测性 | 收集指标、日志、追踪，驱动水位预测 | Prometheus, Grafana, OpenTelemetry |
在 Kubernetes 生态中，Helm 是 IDP 中最常用的包管理工具。它通过 Chart 将应用的定义、依赖和配置打包，使得开发者可以一键部署复杂服务。然而，当 IDP 面临容量突增时，Helm 的部署行为会直接冲击集群资源水位，此时如果没有预测能力，故障域隔离将形同虚设。
1.2 故障域隔离演练：为什么必须做？
故障域隔离（Failure Domain Isolation）是 IDP 高可用设计的基石。在 Kubernetes 集群中，故障域可以是一个节点、一个可用区（AZ），甚至是一个集群。演练的目的是验证当某个故障域发生资源耗尽或网络分区时，其他域的 workload 是否不受影响。
故障域隔离演练通常包含以下步骤：
- 定义故障域边界：按节点池、可用区、集群划分。
- 注入故障：模拟某个故障域的资源耗尽或网络中断。
- 观察影响范围：检查其他故障域的 Pod 是否正常调度。
- 验证 Helm 部署行为：确认 Helm 在故障域内的 release 是否被正确限流或重试。
- 修复与优化：调整 Helm 的并发策略和资源配额。
1.3 容量突增场景下的挑战
容量突增（Capacity Spike）是 IDP 运维中最棘手的场景之一。典型触发因素包括：
- 大促活动：电商、游戏等业务流量瞬间暴涨。
- 批量部署：CI/CD 流水线同时触发多个 Helm 升级。
- 故障恢复：集群自动扩容后，大量 pending Pod 同时调度。
下表总结了容量突增时 IDP 面临的主要挑战：
| 挑战 | 具体表现 | 后果 |
|---|---|---|
| Helm 部署风暴 | 大量 helm install/upgrade 并发执行 | API Server 过载，etcd 写入延迟飙升 |
| 资源争抢 | 多个 release 竞争同一故障域的 CPU/内存 | Pod 驱逐、OOMKill、服务降级 |
| 水位感知滞后 | Prometheus 指标采集周期与部署节奏不匹配 | 调度器做出错误决策，导致热点故障域 |
| 回滚连锁反应 | 一个 release 失败触发自动回滚，引发更多部署 | 集群进入震荡状态，恢复时间延长 |
1.4 Helm 水位预测的价值
Helm 水位预测（Helm Water Level Prediction）是指通过历史部署数据、集群资源指标和业务流量特征，提前预测未来一段时间内 Helm 部署对集群资源的影响。它并非简单的容量规划，而是动态、实时、面向故障域的预测机制。
水位预测的核心价值体现在以下四个方面：
| 价值维度 | 说明 | 实现方式 |
|---|---|---|
| 提前规避故障域过载 | 在部署前预测目标故障域的资源水位，避免热点 | 基于时间序列预测 + 故障域标签 |
| 优化 Helm 并发策略 | 动态调整 helm install 的并发数，防止 API Server 过载 | 预测结果驱动限流阈值 |
| 辅助容量规划 | 为 IDP 的自动扩缩容提供决策依据 | 预测未来 1h/6h/24h 的资源需求 |
| 提升演练成功率 | 在故障域隔离演练中，预测模型可以模拟不同突增场景 | 结合混沌工程注入预测数据 |
在本课程中，我们将从零构建一套完整的 Helm 水位预测系统，并将其集成到 IDP 的故障域隔离演练中。你将学习如何采集部署指标、训练预测模型、设计限流策略，并通过混沌工程验证系统的韧性。