3. 延迟尖峰的定义：延迟尖峰与平均负载的区别，尖峰对业务的影响
3.1 延迟尖峰的本质
延迟尖峰（Latency Spike）是指系统响应时间在极短时间内出现远高于正常基线的突发性升高，随后迅速回落的现象。与持续性的高延迟不同，尖峰具有瞬时性、突发性和非周期性三个核心特征。
关键定义：延迟尖峰 = 响应时间在短时间窗口（通常为毫秒级到秒级）内出现 ≥ 基线 P99 值 3 倍以上的瞬时跃升，且持续时间不超过该窗口的 10%。
从系统资源视角看，延迟尖峰通常对应着 CPU 或 I/O 资源的瞬时过载——资源在某一时刻被完全耗尽，导致任务排队或阻塞，但很快又恢复到正常水平。这正是 PSI（Pressure Stall Information）指标能够捕捉到的典型场景。
3.2 延迟尖峰与平均负载的核心区别
平均负载（如 1 分钟、5 分钟、15 分钟 Load Average）是时间窗口内的平滑值，天然会抹平短时波动。而延迟尖峰恰恰是那些被平均负载“平均掉”的瞬时异常。下表列出了两者的关键差异：
| 对比维度 | 延迟尖峰 | 平均负载 |
|---|---|---|
| 时间尺度 | 毫秒级 ~ 秒级 | 分钟级（1m/5m/15m） |
| 检测能力 | 可捕获瞬时过载 | 平滑后易遗漏短时异常 |
| 触发条件 | 资源瞬时争抢（如 CPU 突发、I/O 排队） | 资源持续饱和 |
| 对业务影响 | 偶发超时、单次请求失败 | 持续性能下降、吞吐量降低 |
| PSI 关联 | PSI 的 full 指标在尖峰时快速跳变 | PSI 的 avg 指标缓慢变化 |
| 告警难度 | 需高采样率 + 短窗口阈值 | 传统阈值即可覆盖 |
实践要点：平均负载正常 ≠ 没有延迟尖峰。一个 Load Average 为 0.5 的系统，完全可能在毫秒级窗口内出现 100% 的 CPU 压力，导致请求延迟从 1ms 飙升到 500ms。这就是为什么仅靠平均负载无法有效检测延迟尖峰。
3.3 延迟尖峰对业务的实际影响
延迟尖峰虽然持续时间短，但对现代分布式系统的影响往往被放大，形成雪崩效应。以下是三类典型影响路径：
3.4 延迟尖峰的业务量化影响
从 SRE 可观测性角度，延迟尖峰对业务的影响可以通过以下指标量化：
- 错误率（Error Rate）飙升：尖峰期间请求超时比例可能从 0.1% 跃升至 5%~15%，直接触发告警。
- 吞吐量（Throughput）瞬时下降：由于请求排队或连接池耗尽，有效吞吐量可能下降 30%~60%。
- 用户体验（Apdex）降级：Apdex 评分在尖峰窗口内可能从 0.98 跌至 0.7 以下，影响用户满意度。
- 下游依赖连锁反应：一个服务的延迟尖峰可能通过 RPC 调用链传播，导致多个服务同时出现延迟抖动。
典型事故案例：某电商平台在大促期间，由于一次缓存集群的 GC 停顿（约 200ms），导致上游网关连接池瞬间耗尽，进而引发全站 502 错误持续 3 分钟。事后分析发现，平均负载在尖峰期间仅从 0.3 上升到 0.8，完全在正常范围内——但 PSI 的
some CPU full 指标在尖峰时刻跳变到了 60% 以上。这正是延迟尖峰被平均负载掩盖的典型场景。
3.5 为什么 PSI 是检测延迟尖峰的关键工具
PSI 指标的设计初衷就是捕捉资源压力导致的等待时间，这与延迟尖峰的本质高度吻合：
| PSI 指标 | 与延迟尖峰的对应关系 | 检测优势 |
|---|---|---|
some avg10 |
10 秒内至少有一个任务因资源不足而等待的比例 | 可感知短时资源争抢 |
full avg10 |
10 秒内所有任务都在等待资源的比例 | 直接对应“完全阻塞”的尖峰场景 |
some total |
累计等待时间的瞬时增量 | 可计算尖峰发生的精确时间点 |
full total |
累计完全阻塞时间的瞬时增量 | 量化尖峰对业务的真实影响程度 |