1. 课程导论：etcd在K8s中的核心地位、IO性能对集群稳定性的影响、压测沙盘的价值与课程目标

1.1 etcd：Kubernetes 控制平面的“状态中枢”

在 Kubernetes 集群架构中，etcd 是唯一保存所有集群状态数据的分布式键值存储系统。无论是 Pod 调度、Service 发现、ConfigMap 更新，还是 RBAC 权限变更，最终都会转化为对 etcd 的读写请求。etcd 的健康状况直接决定了控制平面的可用性。

1.2 IO 性能：决定集群稳定性的“隐形瓶颈”

etcd 对磁盘 IO 的敏感度极高。Raft 日志持久化、WAL 写入、snapshot 落盘、boltdb 事务提交，每一步都依赖底层存储的 IO 延迟与吞吐。当 IO 性能劣化时，etcd 会出现以下连锁反应：

• Leader 选举频繁：磁盘 fsync 延迟超过 Raft 心跳超时（通常 50ms），触发 Leader 重新选举，导致集群短暂不可用。
• 请求超时与重试风暴：apiserver 的 etcd 请求超时（默认 30s）后重试，进一步加剧 IO 负载。
• Watch 事件堆积：IO 瓶颈导致事件推送延迟，控制器和调度器基于过期状态做出错误决策。
• Snapshot 阻塞：大集群下 snapshot 写入耗时过长，阻塞后续事务提交。

1.3 压测沙盘：从“被动救火”到“主动防御”

传统 IO 性能验证依赖生产环境“试错”，风险极高。压测沙盘提供了一种隔离、可复现、可量化的验证环境，其核心价值体现在：

• 风险前置：在沙盘中模拟高 IO 压力、磁盘故障、网络延迟等场景，提前暴露 etcd 性能瓶颈。
• 曲线复核：对比压测 IO 曲线与生产基线，识别异常抖动和趋势劣化。
• 配置验证：测试不同磁盘类型（NVMe、SSD、云盘）、Raft 参数、内核 IO 调度策略对 etcd 稳定性的影响。
• 容量规划：基于压测结果推算集群规模增长后的 IO 需求，避免资源超分。

1.4 课程目标与学习路径

本课程旨在帮助 SRE 和 K8s 运维人员建立一套完整的 etcd IO 性能评估与风险控制体系。完成学习后，你将能够：

1. 独立搭建压测沙盘：使用 fio、etcd-benchmark、自定义故障注入工具构建隔离测试环境。
2. 解读 IO 曲线：从延迟分布、IOPS 趋势、吞吐量变化中识别性能拐点和异常模式。
3. 制定风险控制策略：基于压测结果设定告警阈值、配置限流、规划存储资源。
4. 输出复核报告：将压测数据与生产基线对比，形成可执行的优化建议。