4. 巡检指标设计：磁盘使用率、API响应延迟、GC状态、认证失败率、镜像同步延迟

镜像仓库作为容器供应链的核心存储节点，其健康状态直接决定CI/CD流水线的稳定性与安全水位。本章围绕五个关键巡检指标展开设计，每个指标均对应明确的采集方法、阈值策略与告警等级，确保运维团队能够提前发现容量风险与性能劣化。

4.1 指标全景与采集策略

下表汇总了五个巡检指标的采集源、推荐采集周期、告警等级及典型阈值。所有指标均支持Prometheus Exporter或API轮询方式接入统一监控平台。

4.2 磁盘使用率：容量水位的核心防线

磁盘使用率是镜像仓库最基础的容量指标，直接关联写入可用性与GC回收效率。当磁盘使用率超过85%时，Registry的写入性能会显著下降，GC可能因空间不足而失败。

• 采集方式：通过Node Exporter或存储后端API获取文件系统使用百分比。
• 分级阈值：Warning ≥ 75%（触发预扩容流程），Critical ≥ 90%（触发紧急清理或只读模式）。
• 关联影响：磁盘使用率过高会导致GC无法回收blob、镜像推送失败、认证日志写入阻塞。

4.3 API响应延迟：用户体验与系统瓶颈

API响应延迟反映Registry对外服务的实时性能。重点关注p99延迟，即99%的请求在多少毫秒内完成。延迟劣化通常由磁盘I/O瓶颈、GC运行中锁竞争、或后端存储网络抖动引起。

• 采集方式：在API网关或Registry内置metrics端点采集histogram指标。
• 分级阈值：p99 ≥ 2s触发Warning，≥ 5s触发Critical。
• 细分维度：按API方法（GET /v2/_catalog、HEAD /v2/<name>/manifests/<reference>、POST /v2/<name>/blobs/uploads/）分别统计，定位慢操作。

4.4 GC状态：存储回收的健康信号

GC（Garbage Collection）负责清理未被任何manifest引用的blob层。GC运行异常会导致磁盘空间无法释放，长期积累引发容量危机。

4.5 认证失败率：安全攻击的前哨

认证失败率是安全水位的关键指标。异常升高的认证失败可能意味着凭证泄露、暴力破解攻击或配置错误。

• 采集方式：从Auth Service的访问日志或metrics中统计401/403响应占比。
• 分级阈值：失败率 ≥ 5%触发Warning，≥ 15%触发Critical。
• 细分维度：按来源IP、用户名、API路径聚合，快速定位攻击源或故障用户。

4.6 镜像同步延迟：多集群一致性的保障

在混合云或多集群场景下，镜像从源仓库同步到目标仓库的延迟直接影响部署时效。同步延迟指标衡量从源仓库推送完成到目标仓库可拉取的时间差。

• 采集方式：在同步任务中记录每个镜像的推送完成时间与目标仓库确认时间，计算差值。
• 分级阈值：延迟 ≥ 10min触发Warning，≥ 30min触发Critical。
• 常见原因：网络带宽不足、目标仓库磁盘I/O瓶颈、同步队列积压、Cosign签名验证失败导致重试。

4.7 巡检指标关联分析图

下图展示了五个巡检指标之间的关联关系与影响传导路径，帮助运维团队在告警时快速定位根因。

4.8 巡检指标聚合与告警编排

单一指标告警容易产生噪声，建议采用多指标联合告警策略，提升告警准确率。以下是一个联合告警规则示例：

# Prometheus告警规则示例
groups:
  - name: registry_health
    rules:
      - alert: RegistryCapacityCritical
        expr: disk_usage_percent >= 90
        for: 5m
        labels:
          severity: critical
        annotations:
          summary: "镜像仓库磁盘使用率超过90%"
          description: "节点 {{ $labels.instance }} 磁盘使用率 {{ $value }}%，请立即清理或扩容。"

      - alert: RegistryAPISlow
        expr: histogram_quantile(0.99, rate(registry_http_request_duration_seconds_bucket[5m])) >= 5
        for: 2m
        labels:
          severity: critical
        annotations:
          summary: "API p99延迟超过5秒"
          description: "当前p99延迟 {{ $value }}s，可能由GC运行或磁盘I/O瓶颈引起。"

      - alert: AuthFailureRateHigh
        expr: (sum(rate(registry_auth_failures_total[5m])) / sum(rate(registry_auth_requests_total[5m]))) * 100 >= 15
        for: 3m
        labels:
          severity: critical
        annotations:
          summary: "认证失败率超过15%"
          description: "当前失败率 {{ $value }}%，可能存在暴力破解攻击。"

4.9 巡检指标可视化看板设计

下图展示了一个推荐的巡检指标看板布局，将五个核心指标与关联分析整合在同一视图，便于运维人员快速掌握全局水位。