1. 延迟尖峰概述
1.1 延迟尖峰的定义
延迟尖峰（Latency Spike）是指系统响应时间在极短时间内出现突发性、大幅度的异常升高，随后又快速回落或持续处于高位的现象。与持续性的高延迟不同，延迟尖峰具有突发性、短暂性和幅度剧烈三个核心特征。
核心定义：延迟尖峰 = 响应时间在秒级甚至毫秒级窗口内，从基线值（如 10ms）跃升至基线值的 5 倍、10 倍甚至 100 倍以上，且持续时间通常不超过几分钟。
1.2 延迟尖峰与普通延迟的核心区别
普通延迟通常表现为持续性的缓慢上升或稳定在高位，而延迟尖峰则是瞬时的剧烈抖动。两者的差异不仅体现在数值上，更体现在根因、影响范围和处理方式上。
| 对比维度 | 普通延迟 | 延迟尖峰 |
|---|---|---|
| 时间特征 | 持续数分钟至数小时，趋势平缓 | 秒级至分钟级突发，幅度剧烈 |
| 幅度变化 | 基线值的 1.5~3 倍，缓慢爬升 | 基线值的 5~100 倍，瞬间跃升 |
| 典型根因 | 资源不足、慢查询、内存泄漏 | GC 停顿、网络抖动、热点争抢 |
| 影响范围 | 全局或大面积服务受影响 | 局部请求或特定资源池受影响 |
| 告警触发 | 阈值告警（持续超阈值） | 抖动告警（突增突降） |
| 恢复方式 | 需扩容或优化，恢复较慢 | 通常自动恢复，但需排查根因 |
SRE 经验：普通延迟往往可以通过水平扩展或缓存策略缓解；而延迟尖峰由于突发性强，常规的弹性伸缩来不及响应，必须依赖熔断、限流、隔离等风险控制策略来保护系统。
1.3 延迟尖峰对业务的影响
延迟尖峰虽然持续时间短，但对业务的影响往往比持续高延迟更为严重。以下是延迟尖峰在四个关键维度上的影响分析：
1.3.1 用户体验下降
延迟尖峰直接导致用户请求响应变慢。对于前端页面，超过 200ms 的延迟就会让用户感知到卡顿；超过 1s 的延迟会导致用户流失率上升 30%~50%。在电商、支付等场景中，延迟尖峰甚至会造成下单失败、支付超时等直接问题。
1.3.2 请求雪崩风险
延迟尖峰最危险的连锁反应是请求雪崩。当上游服务因延迟尖峰而超时时，客户端通常会发起重试。大量重试请求在短时间内涌入，进一步加剧下游服务的负载，形成正反馈循环，最终导致整个服务链路崩溃。
典型案例：某电商平台在大促期间，数据库因 GC 停顿产生 2 秒延迟尖峰，导致上游 200 个微服务同时超时重试，最终引发数据库连接池耗尽，全站宕机 15 分钟。这就是延迟尖峰 → 重试风暴 → 雪崩的典型路径。
1.3.3 收入损失
对于商业系统，延迟尖峰直接与收入挂钩。研究表明：
- 延迟每增加 100ms，电商转化率下降约 7%
- 延迟尖峰导致支付超时，订单丢失率可达 20%~40%
- 广告竞价系统中，延迟尖峰可能导致竞价失败，直接损失广告收入
1.3.4 运维成本激增
延迟尖峰还会带来隐性的运维成本：
- 告警风暴：延迟尖峰触发大量告警，运维人员需要快速定位根因，消耗大量人力
- 排查困难：尖峰持续时间短，日志和监控数据难以捕捉，根因分析成本高
- 信任损耗：频繁的延迟尖峰降低业务方对 SRE 团队的信任，增加沟通成本