多云基础设施资源编排工程 - 第1节
1. 容量规划基础
容量规划（Capacity Planning）是确保 IT 基础设施在满足当前业务负载的同时，能够以可预测的成本和性能水平支撑未来增长的系统性工程。在 SRE 实践中，容量规划不是一次性的“估算”，而是一个持续循环的闭环过程。
1.1.1 核心定义
容量规划的本质是回答三个问题：
- 当前状态：系统在典型负载和峰值负载下消耗了多少资源？
- 未来需求：根据业务增长曲线，未来 N 个月需要多少资源？
- 供应策略：何时、以何种方式补充资源，才能在不浪费成本的前提下避免性能退化或服务中断？
1.1.2 容量规划的目标
| 目标维度 | 说明 | 典型度量 |
|---|---|---|
| 性能保障 | 确保资源供给始终满足 SLO/SLA 定义的响应时间与吞吐量 | P99 延迟、错误率、队列深度 |
| 成本效率 | 避免过度配置导致的资源浪费，也避免欠配置引发的故障 | 资源利用率、单位请求成本 |
| 风险控制 | 为突发流量、故障转移、容量耗尽预留安全缓冲 | 冗余度、故障域容量、扩容时间 |
| 自动化驱动 | 通过指标驱动告警与策略引擎（如 OPA）实现自动扩缩容或资源调度 | 告警响应时间、策略命中率 |
SRE 视角： 容量规划不是“预测未来”，而是“管理不确定性”。通过 Prometheus 的实时指标与 OPA 的策略规则，我们可以将容量决策从人工判断升级为数据驱动的自动化闭环。
1.2 四大核心资源指标
在容量规划中，我们通常关注四个基础资源维度：CPU、内存、磁盘 和 网络。每个维度都有其独特的容量瓶颈特征和关键指标。
1.2.1 CPU
CPU 是计算能力的核心，其容量瓶颈通常表现为 高负载 或 上下文切换过频。
- 核心指标：CPU 使用率（%）、Load Average、CPU 饱和度（run queue 长度）、节流时间（throttled time）。
- 容量规划要点：关注 利用率 vs 饱和度 的差异。利用率高不一定饱和，但 run queue 持续大于 vCPU 数量则意味着容量不足。
- 典型告警阈值：持续 5 分钟 CPU 使用率 > 80% 触发预警，> 95% 触发紧急。
1.2.2 内存
内存容量不足会导致 OOM Killer 或频繁的 Swap 交换，严重降低性能。
- 核心指标：内存使用率（%）、可用内存（bytes）、Swap 使用率、Page Fault 速率。
- 容量规划要点：区分 文件缓存 与 匿名页。文件缓存可被回收，而匿名页的持续增长才是真正的内存压力信号。
- 典型告警阈值：可用内存低于总内存 10% 且 Swap 使用率 > 0 时触发。
1.2.3 磁盘
磁盘容量规划需同时关注 空间 和 IO 性能 两个维度。
- 核心指标：磁盘使用率（%）、IOPS、吞吐量（MB/s）、IO 等待时间（await）、队列深度（avgqu-sz）。
- 容量规划要点：空间耗尽导致写失败，IO 性能瓶颈导致应用延迟飙升。对于数据库类负载，IO 延迟比空间更敏感。
- 典型告警阈值：磁盘使用率 > 85% 预警，> 95% 紧急；IO 等待时间 > 50ms 预警。
1.2.4 网络
网络容量瓶颈表现为带宽饱和、丢包或连接数耗尽。
- 核心指标：带宽使用率（bps）、丢包率（%）、TCP 重传率、连接数（ESTABLISHED、TIME_WAIT）。
- 容量规划要点：区分 入向 与 出向 流量。微服务架构中，东西向流量往往比南北向流量更容易成为瓶颈。
- 典型告警阈值：带宽使用率 > 80% 预警；TCP 重传率 > 2% 预警。
1.3 容量规划核心指标全景图
下图展示了四大资源维度的关键指标及其在容量规划中的关联关系：
1.4 容量规划的关键原则
- 利用率 ≠ 容量：高利用率不一定意味着容量不足，需要结合饱和度指标（如 run queue、IO 等待）综合判断。
- 趋势比值更重要：单点阈值告警容易误报，基于时间序列的增长率预测（如 PromQL 的
predict_linear）才是容量规划的核心。 - 预留缓冲：始终为突发流量和故障转移保留 20%~30% 的冗余容量，避免“满负荷运行”。
- 分层规划：基础设施层（物理机/VM）、平台层（容器/PaaS）、应用层（服务/API）的容量规划视角不同，指标粒度也不同。
常见误区： 只关注 CPU 和内存，忽略磁盘 IO 和网络带宽。在 I/O 密集型或网络密集型系统中，磁盘和网络往往是真正的瓶颈。容量规划必须覆盖全部四个维度。
1.5 容量规划与告警、策略的联动关系
在后续章节中，我们将深入讲解如何利用 Prometheus 的告警规则和 OPA 的策略引擎，将上述容量指标转化为自动化的容量管理动作。下图展示了三者之间的联动架构：
1.6 本章小结
容量规划是 SRE 体系的基础能力，其核心在于通过 CPU、内存、磁盘、网络 四个维度的关键指标，准确评估系统当前状态并预测未来需求。Prometheus 提供了强大的指标采集与告警能力，而 OPA 则能将容量策略固化为可自动执行的规则。在接下来的章节中，我们将逐一深入每个资源维度的告警规则设计、OPA 策略编写以及实际联动案例。