1. 课程导论：故障域隔离演练与容量规划基准测试
1.1 核心定义
在云原生环境下，Helm 作为 Kubernetes 应用交付的事实标准，其发布流程的稳定性直接决定业务连续性。本课程围绕两个核心概念展开：
| 概念 | 定义 | 在 Helm 场景下的含义 |
|---|---|---|
| 故障域隔离演练 | 通过主动注入故障（如节点宕机、网络分区、API Server 不可用），验证 Helm 发布流程在特定故障域内的自愈能力与隔离边界。 | 验证当某个集群、节点或可用区发生故障时，Helm release 能否在剩余健康域内完成回滚、重试或优雅降级。 |
| 容量规划基准测试 | 在受控环境下，通过逐步加压测量 Helm 发布系统的吞吐量、响应延迟和资源消耗，建立可量化的容量基线。 | 确定单集群能安全承载的并发 Helm release 数量、Tiller/Helm SDK 的 CPU/内存拐点，以及 etcd 的 watch 压力上限。 |
关键认知： 故障域隔离演练验证的是系统的韧性边界，容量规划基准测试验证的是系统的性能边界。两者结合，才能回答“在多大的故障范围内，系统还能以多快的速度交付应用”。
1.2 课程目标
完成本课程后，学员将具备以下能力：
- 设计故障注入实验： 针对 Helm 发布链路（Helm Client → Helm SDK → Kubernetes API Server → etcd → Controller Manager），设计节点级、网络级、控制面级的故障场景。
- 执行容量基准测试： 使用 Helm 原生工具与自定义压测脚本，测量不同并发度下的 release 创建/更新/回滚延迟与成功率。
- 建立容量模型： 根据基准测试数据，推导出集群规模、Helm release 数量与故障恢复时间之间的数学关系。
- 制定隔离策略： 基于演练结果，优化 Helm values 中的拓扑分布约束、Pod 反亲和性以及 Helm hook 的超时配置。
1.3 适用人群
| 角色 | 前置知识要求 | 本课程核心收益 |
|---|---|---|
| SRE / 平台工程师 | Kubernetes 基础操作、Helm 常用命令、Linux 性能分析工具 | 掌握生产级 Helm 发布系统的容量评估与故障演练方法论 |
| 云原生架构师 | 微服务架构、Kubernetes 调度原理、etcd 共识机制 | 能够设计高可用 Helm 交付架构，并制定容量规划标准 |
| DevOps 工具链开发者 | Go 语言基础、Helm SDK 使用经验、Prometheus 指标采集 | 学会为 Helm 发布流程编写自定义压测工具与故障注入插件 |
1.4 故障域隔离演练与容量规划的关系
两者并非独立活动，而是构成一个闭环的持续改进流程：
实践建议： 建议每季度至少执行一次完整的闭环演练。首次演练前，先完成容量基准测试，获得基线数据；后续演练则基于更新后的容量模型设计故障注入强度。
1.5 课程内容概览
本课程共分为 30 章，按以下逻辑组织：
| 模块 | 章节范围 | 核心内容 |
|---|---|---|
| 基础篇 | 第 1-5 章 | Helm 发布架构、故障域模型、容量规划指标定义 |
| 工具篇 | 第 6-12 章 | 基准测试工具链（Helm bench、k6、自定义 Go 压测）、故障注入工具（Chaos Mesh、Litmus） |
| 演练篇 | 第 13-22 章 | 节点故障、etcd 分区、API Server 限流、Helm hook 超时等 10 个典型场景的完整演练步骤 |
| 分析篇 | 第 23-27 章 | 延迟分布分析、资源拐点识别、容量模型公式推导、SLO 制定 |
| 实战篇 | 第 28-30 章 | 大型集群容量规划案例、CI/CD 集成演练、持续优化策略 |
1.6 预期产出物
完成本课程后，学员将获得以下可直接用于生产环境的交付物：
- 容量基准测试报告模板： 包含延迟百分位、吞吐量、错误率、资源使用率的标准化表格与图表。
- 故障演练剧本库： 10 个以上可复用的故障注入 YAML 配置与 Helm values 示例。
- 容量模型计算器： 基于 Python 或 Go 的 CLI 工具，输入集群规模与 release 数量，输出推荐并发上限与故障恢复时间预估。
- CI/CD 集成方案： 将基准测试与故障演练嵌入 GitLab CI / GitHub Actions 的流水线配置。
重要提示： 本课程所有演练步骤均应在非生产环境（staging 或专用测试集群）中执行。生产环境演练需额外申请变更窗口，并确保有回滚预案。