2. 故障域基础：定义与常见类型
在IDP容量突增场景中，故障域（Failure Domain）是决定Catalog水位预测边界的关键物理/逻辑单元。故障域定义了一组共享单一故障点的资源集合：当该故障点失效时，集合内所有组件同时不可用。理解故障域的层级与边界，是准确评估突增容量是否超出冗余上限、预测水位是否会触发级联故障的前提。
核心原则：故障域边界 = 容量规划的最小不可分割单元。Catalog水位预测必须按故障域粒度聚合，而非按全局平均值估算。
2.1 故障域的定义
故障域是基础设施中共享同一单点故障（SPOF）的资源组。组内任意组件失效，都会导致整个域内的服务或数据不可用。在IDP语境下，故障域通常对应物理拓扑中的某一层（机架、交换机、电源分配单元），其核心属性包括：
- 共享风险：域内所有节点暴露于相同的断电、网络中断、冷却失效等风险。
- 容量上限：故障域的总容量受限于该域内最薄弱的共享资源（如机架总功率、交换机上行带宽）。
- 恢复隔离：故障域是故障恢复的最小作用范围，Catalog水位预测需确保单个故障域失效时，剩余域能承接其负载。
2.2 常见故障域类型
IDP环境中，故障域通常按物理层级划分为以下三类。下表对比了各类型的关键特征与容量规划关注点：
| 故障域类型 | 共享故障点 | 典型容量约束 | Catalog水位影响 |
|---|---|---|---|
| 机架（Rack） | 机架内PDU总供电、机架内互联背板 | 功率上限（kW）、U位空间、机架内总带宽 | 单机架突增可能触发PDU过载，导致整机架掉电 |
| 交换机（Switch） | ToR（Top of Rack）交换机、汇聚交换机 | 端口数量、上行带宽、转发容量（bps） | 交换机故障导致下联机架全部离线，Catalog写入/读取路径中断 |
| 电源域（Power Domain） | UPS、配电柜、发电机、ATS（自动转换开关） | 总功率（MW）、电池后备时间、冗余配置（N+1/2N） | 电源域失效导致整个数据中心或楼层掉电，Catalog数据丢失风险最高 |
容量规划提示：在Catalog水位预测模型中，电源域通常作为最高层级的故障域边界。若电源域容量不足，即使机架和交换机仍有冗余，也无法承接突增负载。
2.3 故障域层级关系
下图展示了IDP中三类故障域的嵌套关系与容量传递路径。理解该层级有助于在突增场景中定位水位瓶颈：
2.4 故障域在Catalog水位预测中的角色
在容量突增场景中，故障域决定了水位预测的聚合粒度与告警阈值：
- 聚合粒度：Catalog水位必须按故障域（而非全局）统计。例如，若某机架内存储节点写入量突增，需单独评估该机架的PDU功率余量，而非看整个数据中心的平均功率。
- 告警阈值：每个故障域有独立的容量上限。当预测水位超过该域上限的80%（建议值）时，触发预扩容或负载调度。
- 级联风险：一个故障域失效后，其负载会转移到同层其他域。预测模型需模拟“故障域失效→剩余域水位突增”的连锁反应。
常见误区：仅按机架粒度规划容量，忽略电源域和交换机域的共享瓶颈。例如，某机架PDU功率充足，但该机架所属的电源域总功率已接近上限，此时突增仍会导致掉电风险。
2.5 故障域识别清单
在IDP部署前，建议按以下步骤梳理故障域边界：
- 绘制物理拓扑图：标注每个机架所属的配电柜、UPS、发电机。
- 标记网络路径：记录每个机架的ToR交换机、汇聚交换机、核心交换机的归属关系。
- 确认冗余配置：明确电源域是N+1还是2N冗余，交换机是否有堆叠或MLAG。
- 建立故障域ID：为每个故障域分配唯一标识（如 PowerDomain-01、SwitchDomain-A1、Rack-101）。
- 录入容量基线：将每个故障域的额定容量、当前水位、冗余余量录入Catalog元数据。
最佳实践：在Catalog元数据中，为每个存储节点添加
failure_domain_id 标签。水位预测查询时，按该标签聚合，即可自动按故障域粒度计算水位。