1. 课程导论：Helm应用交付与故障域隔离的背景、容量突增场景下的挑战、Prometheus水位预测的价值

1.1 Helm应用交付与故障域隔离的背景

在云原生架构中，Helm 已成为 Kubernetes 应用交付的事实标准。通过 Chart 打包、模板化配置与版本管理，Helm 将复杂微服务应用的部署、升级与回滚操作标准化。然而，随着集群规模增长与多租户场景普及，单一集群内所有服务共享同一底层资源池的模式暴露出严重的故障扩散风险——一个命名空间的异常流量或资源泄露，可能拖垮整个控制面或节点组。

故障域隔离（Fault Domain Isolation） 正是应对这一风险的核心设计原则。它要求将应用实例分散到独立的故障边界内，使得一个域内的故障不会级联影响到其他域。在 Kubernetes 环境中，常见的故障域隔离层次包括：

Helm 在交付过程中，通过 values.yaml 中的亲和性规则、拓扑分布策略以及多副本配置，将故障域隔离策略编码为可重复部署的 Chart 参数。这使得 SRE 团队能够在不同环境（开发、预发、生产）中一致地实施隔离策略，而无需手动调整 YAML。

1.2 容量突增场景下的挑战

在故障域隔离演练期间，SRE 团队通常会模拟容量突增场景——例如通过流量注入工具（如 Locust、K6）将某几个故障域内的请求量瞬间提升 3~5 倍。这种突增会暴露以下系统性挑战：

• 资源争抢加剧： 突增域内的 Pod 会快速消耗 CPU 和内存，导致同节点其他 Pod 受到压制，甚至触发 OOMKiller。
• HPA 滞后效应： Horizontal Pod Autoscaler 基于 CPU/内存指标扩缩容，但指标采集与决策存在 1~3 分钟延迟，突增期间可能来不及扩容。
• 级联重调度风暴： 当突增域节点资源耗尽，kubelet 驱逐 Pod 后，调度器将大量待调度 Pod 分配到其他域，可能引发全局资源震荡。
• 监控盲区： 传统阈值告警（如 CPU > 80%）在突增初期往往来不及触发，或触发时已经造成服务受损。

下表总结了容量突增场景下不同组件的典型响应时间与风险等级：

1.3 Prometheus 水位预测的价值

面对容量突增的滞后响应问题，Prometheus 水位预测 提供了一种主动防御手段。它不是等指标超限后再告警，而是基于历史时序数据与当前趋势，提前预测未来 5~30 分钟的资源水位，从而在故障发生前完成扩容或限流操作。

水位预测的核心技术路径包括：

1. 时序趋势外推： 使用 PromQL 的 predict_linear() 函数，基于过去 1 小时的线性回归预测未来指标值。
2. 季节性分解： 结合业务周期（如每日/每周峰值），通过 holt_winters 或自定义 recorder rule 消除噪声。
3. 故障域聚合： 按故障域（可用区、节点池）聚合预测结果，识别即将过载的隔离域。
4. 预扩容触发： 当预测水位超过阈值（如 70%），自动触发 HPA 或 Cluster Autoscaler 提前扩容。

1.4 课程核心价值与学习目标

本课程将围绕“Helm 交付 → 故障域隔离 → 容量突增 → Prometheus 水位预测”这一完整链路，帮助 SRE 与平台工程师掌握以下能力：

• 设计可隔离的 Helm Chart： 在 Chart 中嵌入拓扑分布约束、Pod 反亲和性与资源预留策略。
• 构建故障域演练方案： 使用 Chaos Mesh 或自研工具模拟指定域内的容量突增。
• 编写 Prometheus 预测规则： 利用 predict_linear 与 deriv 函数，按故障域粒度生成水位预测指标。
• 搭建预扩容自动化链路： 将预测指标接入 HPA 或自定义调度器，实现“预测驱动扩缩容”。
• 验证与调优： 通过演练数据反哺预测模型，降低误报与漏报率。