1. 课程导论：为什么需要预测 Crossplane 服务目录的容量突增？水位预测在 SRE 中的价值
1.1 从被动告警到主动预测：SRE 的认知跃迁
在传统云原生运维中，SRE 团队通常依赖固定阈值告警来应对资源瓶颈。当 CPU 使用率超过 80% 或内存水位达到 90% 时，告警触发，值班工程师介入扩容。这种模式在稳态业务下尚可维持，但面对 Crossplane 服务目录的声明式资源供给场景，固定阈值策略暴露出三个致命缺陷：
- 滞后性：告警触发时容量已接近枯竭，扩容操作存在分钟级延迟，可能导致服务降级。
- 无差别响应：所有突增被同等对待，无法区分是正常业务峰值还是异常流量攻击。
- 缺乏预见：无法预判未来 15-30 分钟的水位走势，扩容决策依赖经验而非数据。
核心观点：水位预测不是替代告警，而是将 SRE 的响应模式从“事后灭火”升级为“事前干预”。在 Crossplane 服务目录场景中，预测能力直接决定了资源供给的连续性和成本效率。
1.2 Crossplane 服务目录的容量突增特征
Crossplane 作为云原生控制平面，通过 Composite Resource (XR) 和 Composition 构建服务目录。其容量突增具有鲜明的平台级特征：
| 特征维度 | 传统应用扩容 | Crossplane 服务目录突增 |
|---|---|---|
| 触发主体 | 单一应用实例 | 平台级声明式资源请求 |
| 资源类型 | CPU / 内存 / 存储 | 云服务实例、网络策略、IAM 角色、数据库集群 |
| 突增速度 | 分钟级线性增长 | 秒级并发创建，指数级资源消耗 |
| 影响范围 | 单个服务 | 跨集群、跨区域、跨云厂商 |
| 恢复成本 | 回滚或水平扩容 | 资源回收、依赖链清理、状态一致性修复 |
这种特征决定了 Crossplane 服务目录的容量预测不能简单复用传统 HPA 或 VPA 的算法，需要引入 声明式资源请求速率、Composition 执行耗时、Provider 限流配额 等平台级指标。
1.3 水位预测在 SRE 中的四大价值
- 避免级联故障：提前识别 Provider API 限流阈值，防止单个突增导致整个控制平面阻塞。
- 优化资源成本：预测突增窗口，在低峰期预置资源池，避免按峰值长期预留。
- 提升声明式交付 SLA：将预测结果反馈至 Crossplane 的
Composition调度策略，动态调整资源供给优先级。 - 自动化决策闭环：预测水位触发预置的
Claim策略，实现无人值守的容量自愈。
1.4 预测体系架构总览
下图展示了 Crossplane 服务目录容量突增水位预测的整体架构，涵盖数据采集、特征工程、预测引擎和反馈闭环四个核心层：
1.5 预测 vs 传统告警：关键能力对比
| 能力维度 | 传统固定阈值告警 | 水位预测模型 |
|---|---|---|
| 触发时机 | 阈值被突破后 | 阈值被突破前 15-30 分钟 |
| 决策依据 | 单一指标当前值 | 多指标时序趋势 + 置信区间 |
| 误报率 | 高（毛刺导致） | 低（异常检测过滤） |
| 扩容策略 | 人工判断，手动操作 | 自动触发预置 Claim 策略 |
| 成本控制 | 按峰值预留，资源浪费 | 按预测窗口动态调整，弹性供给 |
实战提示：在本课程后续章节中，你将学习如何基于 Crossplane 的
ProviderConfigUsage 和 CompositeResourceClaim 指标构建预测特征，并部署生产级预测管道。建议先熟悉 Crossplane 的 XR 和 Composition 基础概念。
1.6 本章小结
容量突增水位预测是 Crossplane 服务目录从“可用”走向“可靠”的关键能力。它解决了传统告警的滞后性和无差别响应问题，为 SRE 团队提供了 预见性、自动化 和 成本优化 三大核心价值。本章建立的预测架构将作为后续 29 章实战内容的基础框架。