1. 课程导论：云原生可观测性背景、etcd在日志平台中的核心地位、压测沙盘的价值与目标
1.1 云原生可观测性背景
在云原生架构中，微服务、容器化与动态编排带来了系统复杂度的指数级增长。传统的“监控”已无法满足故障定位与性能优化的需求，行业正全面转向可观测性（Observability）体系。可观测性以三大支柱为核心：
| 支柱 | 数据形态 | 典型工具 | 核心价值 |
|---|---|---|---|
| 日志（Logs） | 离散的、带时间戳的事件记录 | Loki、Elasticsearch、ClickHouse | 精确记录“发生了什么”，用于审计与根因分析 |
| 指标（Metrics） | 聚合的、时序化的数值数据 | Prometheus、VictoriaMetrics | 量化系统状态，触发告警与趋势分析 |
| 链路追踪（Traces） | 请求在分布式系统中的完整路径 | Jaeger、Tempo | 定位跨服务调用的瓶颈与异常点 |
关键认知：可观测性不是工具的堆砌，而是通过高基数数据与关联分析，让工程师能够在不预知故障模式的情况下，快速提出并验证假设。日志平台是其中数据量最大、存储成本最高、查询模式最复杂的子系统。
1.2 etcd在日志平台中的核心地位
云原生日志平台（如基于 Loki 或 Elasticsearch 构建的体系）通常依赖 etcd 作为元数据存储与分布式协调的核心组件。etcd 的健康状况直接决定了日志平台的数据写入、索引调度与查询路由的可用性。
etcd 在日志平台中承担以下关键职责：
- 元数据注册表：存储日志流（Log Stream）的元数据、分片（Shard）分配信息、租户（Tenant）配置。
- 分布式锁与选主：协调日志采集器（Agent）、索引器（Ingester）和查询器（Querier）的主节点选举，防止脑裂。
- 配置中心：动态下发日志采集规则、保留策略与告警阈值。
- 服务发现：记录所有组件的端点（Endpoint）信息，支持查询路由的动态更新。
风险提示：etcd 一旦出现性能抖动或数据不一致，将导致日志写入超时、索引丢失、查询失败。在压测场景中，etcd 往往是整个日志平台吞吐量的第一瓶颈。
1.3 压测沙盘的价值与目标
在生产环境中直接对 etcd 进行压力测试风险极高，可能导致日志平台整体瘫痪。因此，构建一个压测沙盘（Load Testing Sandbox）是保障线上稳定性的必要前置步骤。
1.3.1 压测沙盘的核心价值
- 风险隔离：在隔离环境中模拟真实负载，避免对生产集群造成影响。
- 容量规划：通过压测数据确定 etcd 集群的吞吐量上限、延迟拐点与资源消耗模型。
- 配置验证：验证 etcd 参数（如
--quota-backend-bytes、--auto-compaction-retention）在高压下的表现。 - 故障注入：模拟网络分区、节点宕机、磁盘 I/O 抖动等故障，验证日志平台的容错与恢复能力。
- 观测面板复核：验证 Grafana 面板的指标采集、告警规则与 SLO 定义是否准确反映系统真实状态。
1.3.2 压测沙盘的目标
| 目标维度 | 具体指标 | 沙盘验证手段 |
|---|---|---|
| 吞吐量 | 每秒写入请求数 (QPS)、每秒事务数 (TPS) | 逐步增加并发客户端数，记录 etcd 的写入延迟与错误率 |
| 延迟 | P99 写入延迟、P99 读取延迟 | 使用分布式追踪工具关联请求全链路耗时 |
| 资源消耗 | CPU 使用率、内存占用、磁盘 IOPS 与带宽 | 通过 Node Exporter 与 etcd 内置 metrics 采集 |
| 稳定性 | Leader 切换次数、心跳超时率、Raft 提案失败率 | 注入网络延迟与节点故障，观察集群自愈时间 |
| 数据一致性 | 数据校验通过率、watch 事件丢失率 | 压测前后对比 key-value 快照，验证最终一致性 |
课程核心目标：通过本课程，你将掌握如何搭建一个可复用的 etcd 压测沙盘，并基于观测面板进行复核（Review）与风险控制（Risk Control），最终输出一份可交付的压测报告与容量规划建议。