📚 课程目录第4章压测沙盘设计理念

4. 压测沙盘总体设计：沙盘组件、数据流、模拟集群生命周期管理

多集群压测沙盘是一个可编程、可观测、可复现的仿真环境，用于在受控条件下模拟 etcd 集群的负载特征、故障场景与扩缩容行为。本章从组件架构、数据流拓扑与生命周期管理三个维度展开总体设计。

4.1 沙盘组件架构

沙盘由以下六大核心组件构成，各组件以松耦合方式协作，支持独立升级与故障注入。

组件名称	职责	部署形态
压测引擎	生成读写请求、事务、Watch 流；支持线性/突发/正弦负载模式	独立进程，多副本部署
集群控制器	管理 etcd 集群的创建、销毁、扩缩容、成员变更	Operator 模式，单主 + 备用
故障注入器	模拟网络分区、节点宕机、磁盘延迟、Leader 切换	Sidecar 或 DaemonSet
观测收集器	采集延迟、吞吐、Raft 指标、慢日志、事件流	Agent + 时序数据库
调度决策器	基于观测数据触发跨集群调度策略（迁移、重平衡）	中心化服务
沙盘编排器	协调上述组件的生命周期，提供 API 与 Web UI	主控进程

设计要点：压测引擎与故障注入器之间通过事件总线解耦，避免故障注入时压测流量中断导致的误判。观测收集器采用推拉结合模式，关键指标（如 Raft 提案延迟）使用推模式，慢日志使用拉模式。

4.2 数据流拓扑

沙盘内部数据流分为控制流与数据流两条主线。控制流负责集群状态变更与调度指令下发，数据流负责压测请求与观测指标上报。下图展示了完整的拓扑关系。

  关键数据流路径：
  压测请求流：压测引擎 → etcd 集群（读写/事务/Watch）→ 观测收集器（指标聚合）。
故障注入流：故障注入器 → etcd 集群（网络/磁盘/进程级故障）→ 观测收集器（故障影响记录）。
调度控制流：观测收集器 → 调度决策器（瓶颈分析）→ 集群控制器（成员变更/迁移）→ etcd 集群。

4.3 模拟集群生命周期管理

沙盘中的每个 etcd 集群都遵循标准化的生命周期状态机，支持自动化与手动干预两种模式。状态定义如下：

状态	说明	触发条件
Provisioning	资源分配与节点初始化	沙盘编排器下发创建指令
Running	集群正常服务，接受压测请求	所有节点通过健康检查
Scaling	扩缩容或成员变更进行中	调度决策器或手动触发
Faulted	故障注入生效，集群处于降级状态	故障注入器激活
Recovering	故障恢复或 Leader 选举中	故障注入撤销或自动恢复
Terminating	集群销毁，资源回收	压测结束或手动销毁

生命周期状态转换由集群控制器中的状态机引擎驱动，每次转换都会记录到观测收集器的时间线中，用于后续回放与分析。

生命周期管理避坑：

Scaling 状态超时：成员变更操作（如 etcdctl member add）在沙盘中必须设置超时阈值（默认 30s），超时后自动回滚至 Running 并记录异常。
Faulted 状态死锁：当故障注入导致集群失去法定人数时，Recovering 状态需要外部干预（如强制移除故障节点），沙盘编排器应提供手动恢复 API。
Terminating 资源泄漏：销毁集群前必须确认所有数据目录已清理，避免残留 WAL 文件影响后续集群创建。

4.4 沙盘编排器 API 设计

沙盘编排器提供 RESTful API 用于生命周期管理，核心端点如下：

# 创建集群
POST /api/v1/clusters
{
  "name": "bench-cluster-01",
  "node_count": 5,
  "version": "3.5.15",
  "storage_backend": "ssd"
}

# 查询集群状态
GET /api/v1/clusters/{cluster_id}

# 触发扩缩容
PUT /api/v1/clusters/{cluster_id}/scale
{
  "target_node_count": 7
}

# 注入故障
POST /api/v1/clusters/{cluster_id}/faults
{
  "type": "network_partition",
  "target_nodes": ["node-1", "node-2"],
  "duration_sec": 60
}

# 销毁集群
DELETE /api/v1/clusters/{cluster_id}

沙盘可观测性集成：每个生命周期事件都会自动生成结构化日志，格式为 {timestamp, cluster_id, from_state, to_state, trigger, duration_ms}，直接写入观测收集器的时序数据库，用于后续瓶颈分析与调度优化回放。