4. 稳定性巡检指标体系：核心指标定义与采集

稳定性巡检的基石是一套可量化、可对比、可预警的指标体系。本章定义归因服务最关键的四个核心指标，并给出标准采集方式与告警阈值设定方法。

4.1 核心指标定义

归因服务的稳定性不能仅靠“服务是否存活”来判断，必须从可用性、延迟、错误率和数据新鲜度四个维度综合度量。

4.2 指标采集方式

不同指标适合不同的采集路径。归因服务通常采用 Agent + 埋点 + 日志三合一方案，确保无死角覆盖。

• Agent 采集：适用于基础设施级指标（CPU、内存、网络 IO、GC 次数）。通过 Prometheus Node Exporter 或 Telegraf 部署在每台归因节点上，拉取 /metrics 端点。
• 埋点采集：适用于业务级指标（请求量、延迟分布、错误码、新鲜度）。在归因服务代码中嵌入 Micrometer / OpenTelemetry SDK，上报到 Prometheus / VictoriaMetrics。
• 日志采集：适用于错误详情和慢查询分析。归因服务输出结构化 JSON 日志（含 requestId、耗时、错误栈），由 Filebeat 采集写入 Elasticsearch，用于事后归因和告警上下文关联。

4.3 告警阈值设定

阈值设定需要平衡“灵敏度”与“误报率”。归因服务建议采用动态基线 + 固定阈值双层策略。

4.4 指标采集代码示例

以下展示在归因服务中通过 Micrometer 埋点采集延迟和新鲜度的核心代码片段。

// 归因查询延迟埋点（P99/P999 自动计算）
Timer.Sample sample = Timer.start(registry);
try {
    // 执行归因查询逻辑
    attributionService.query(request);
} finally {
    sample.stop(Timer.builder("attribution.query.duration")
        .tag("cluster", clusterName)
        .tag("version", appVersion)
        .publishPercentiles(0.99, 0.999)
        .register(registry));
}

// 数据新鲜度埋点（Gauge 上报）
Gauge.builder("attribution.data.freshness.seconds", () -> {
    long maxEventTs = getMaxEventTimestamp();
    return (System.currentTimeMillis() - maxEventTs) / 1000;
}).tag("source", "hive_partition")
  .register(registry);