1. 课程导论：PSI漂移概念、实时监控的重要性、Kafka在监控中的角色
1.1 什么是PSI漂移？
PSI（Pressure Stall Information） 是 Linux 内核 4.20+ 引入的指标，用于量化系统资源（CPU、内存、IO）因竞争导致的任务停滞时间比例。当某个资源成为瓶颈时，任务会进入不可运行或不可中断的等待状态，PSI 直接反映这种“压力”对工作负载的影响。
PSI 漂移 指在正常基线之上，PSI 指标出现持续性、非瞬态的升高或波动，通常由以下原因引发：
- 资源争抢加剧：突发流量、cgroup 限制不当、同宿主其他租户干扰。
- 内核/驱动异常：内存回收抖动、IO 调度延迟、NUMA 失衡。
- 配置退化：swap 阈值偏移、CPU 节流器参数变化。
关键区分：PSI 漂移 ≠ 瞬时尖峰。瞬时尖峰通常由正常突发引起（如定时任务、编译），而漂移是基线持续上移，代表系统健康度恶化。
1.2 实时监控PSI漂移的重要性
传统监控依赖 CPU 使用率、内存占用等均值指标，但均值会掩盖短时资源饥饿。PSI 直接度量任务实际等待时间，能更早发现亚健康状态。下表对比了传统指标与 PSI 的差异：
| 维度 | 传统指标（CPU/内存利用率） | PSI 指标 |
|---|---|---|
| 敏感度 | 对短时争抢不敏感 | 秒级感知任务停滞 |
| 误报率 | 高（均值拉平后仍正常） | 低（直接反映等待比例） |
| 根因定位 | 需结合多指标推断 | 按资源类型（CPU/MEM/IO）分类 |
| 告警时效 | 分钟级延迟 | 秒级（配合流处理） |
实时监控 PSI 漂移的价值：
- 提前干预：在 SLA 违约前发现资源饥饿趋势。
- 容量规划：量化真实压力，避免过度或不足配置。
- 故障隔离：区分是宿主级问题还是租户级干扰。
1.3 Kafka在PSI监控中的角色
Kafka 作为高吞吐、低延迟的分布式消息系统，在 PSI 实时监控架构中承担数据中枢角色：
- 采集层缓冲：各节点 Agent 将 PSI 指标推送到 Kafka Topic，削峰填谷，防止后端存储被突发流量打满。
- 流处理管道：Kafka Streams / ksqlDB 对 PSI 数据进行窗口聚合、基线计算、漂移检测。
- 多消费者解耦：告警引擎、可视化看板、长期存储可独立消费同一 Topic，互不影响。
- 重放与回溯：Kafka 的日志保留机制支持历史 PSI 数据重放，用于漂移模式分析和模型调优。
架构要点：Kafka 的 Topic 分区策略需按
host_id + resource_type 设计，保证同一主机的 PSI 数据顺序消费，避免乱序导致漂移误判。
1.4 PSI指标字段与Kafka消息结构
Linux PSI 接口输出格式如下（以 CPU 为例）：
# cat /proc/pressure/cpu
some avg10=0.85 avg60=0.32 avg300=0.10 total=1234567890Kafka 消息体建议采用 JSON 格式，包含元数据与指标值：
{
"host_id": "prod-web-01",
"resource": "cpu",
"timestamp": 1712567890,
"avg10": 0.85,
"avg60": 0.32,
"avg300": 0.10,
"total": 1234567890,
"cgroup_path": "/"
}
注意：
total 字段为单调递增计数器，消费者需记录上次值并计算差值，避免因重启导致漂移误报。
1.5 漂移检测的基线模型
实时监控中常用的漂移检测方法：
| 方法 | 原理 | 适用场景 |
|---|---|---|
| 固定阈值 | avg10 > 5.0 告警 | 已知硬件上限，简单直接 |
| 滑动窗口百分位 | 当前值 > 过去1h的P99 | 适应周期性负载变化 |
| 指数加权移动平均（EWMA） | 实时值与平滑基线偏差 | 对缓慢漂移敏感 |
| 季节性分解 | 去除日/周周期后检测残差 | 业务模式稳定的长期监控 |
本教程后续章节将重点讲解滑动窗口百分位 + EWMA 组合模型在 Kafka Streams 中的实现。
1.6 课程学习路径
本教程共 30 章，按以下阶段组织：
- 基础篇（1-5章）：PSI 原理、Kafka 环境搭建、采集 Agent 开发。
- 核心篇（6-15章）：Kafka Streams 漂移检测、窗口聚合、基线模型编码。
- 进阶篇（16-25章）：多租户隔离、告警降噪、性能调优、容灾设计。
- 实战篇（26-30章）：生产部署、Grafana 看板、故障演练、案例复盘。