1. 课程导论：容量规划与服务目录平台的定义、Deployment 水位评估的重要性、课程目标与受众
1.1 核心概念定义
在云原生架构下，容量规划与服务目录平台是保障微服务体系稳定运行的两大支柱。Deployment 水位评估则是连接二者的关键实践。
| 概念 | 定义 | 核心关注点 |
|---|---|---|
| 容量规划 | 基于业务增长趋势与资源使用历史数据，预测未来一段时间内基础设施（CPU、内存、存储、网络）的需求量，并制定资源供给策略的过程。 | 供需平衡、成本优化、SLA 保障 |
| 服务目录平台 | 企业级微服务治理的“注册中心+元数据中心”，统一管理所有服务的元数据、依赖关系、版本信息、所属团队及运行状态。 | 服务发现、资产盘点、拓扑可视化 |
| Deployment 水位评估 | 对 Kubernetes 集群中每个 Deployment 的当前资源利用率（Request/Limit 设置、实际使用量、闲置比例）进行量化分析与健康度评分。 | 资源浪费识别、过载风险预警、扩缩容决策 |
关键认知： 没有服务目录平台提供的全局元数据，容量规划就是“盲人摸象”；没有 Deployment 水位评估，服务目录平台就只是一份静态清单。两者结合，才能形成“感知-分析-决策-执行”的闭环。
1.2 Deployment 水位评估的重要性
在 Kubernetes 生产环境中，Deployment 是工作负载的基本管理单元。水位评估直接关系到以下三个核心维度：
- 成本控制： 据统计，超过 60% 的 Kubernetes 集群存在资源超配现象（Request 远高于实际使用），直接导致云资源账单虚高。
- 稳定性保障： 水位过高（实际使用接近 Limit）会导致 OOMKill、CPU Throttling，引发服务雪崩；水位过低则造成资源闲置浪费。
- 运维效率： 人工巡检数百个 Deployment 的水位不现实，必须通过平台化手段实现自动化评估与告警。
实践建议： 水位评估不应只看单一指标。推荐使用“CPU 利用率偏差率”和“内存利用率偏差率”两个复合指标，结合 Pod 副本数，综合判断 Deployment 的健康度。
1.3 容量规划与服务目录平台的协同关系
下图展示了从服务注册到容量评估的完整数据流：
1.4 课程目标与受众
课程目标
完成本课程后，学员将能够：
- 掌握方法论： 理解基于服务目录的容量规划模型与 Deployment 水位评估指标体系。
- 具备实操能力： 独立搭建水位评估平台，实现从数据采集、指标计算到可视化看板的完整链路。
- 落地最佳实践： 制定团队内部的资源水位规范，推动成本优化与稳定性提升。
目标受众
| 角色 | 收益点 | 前置知识要求 |
|---|---|---|
| SRE / 运维工程师 | 掌握自动化水位巡检与容量预测能力 | Kubernetes 基础操作、Prometheus 查询 |
| 云原生架构师 | 设计服务目录与容量规划的集成方案 | 微服务架构、Kubernetes 原理 |
| 技术管理者 / 成本负责人 | 获取资源利用率全局视图，辅助预算决策 | 了解容器化基本概念 |
重要提示： 本课程涉及大量 Kubernetes 资源对象操作与指标计算。建议学员提前准备好测试集群（Minikube 或云厂商托管集群均可），并安装好 kubectl、helm、prometheus-stack 等基础工具。
1.5 课程内容概览
本课程共分为 6 个模块，循序渐进地覆盖从理论到落地的全过程：
- 模块一（本章）： 课程导论与核心概念对齐。
- 模块二： 服务目录平台深度解析——元数据模型、注册发现机制、依赖拓扑构建。
- 模块三： Deployment 水位指标体系——Request/Limit 合理性、利用率偏差率、闲置资源识别。
- 模块四： 水位评估平台设计与实现——数据采集、计算引擎、API 与看板。
- 模块五： 容量规划实战——基于历史趋势的预测模型、扩缩容策略与成本优化。
- 模块六： 案例复盘与常见避坑指南。