1. 课程导论：Kubernetes节点故障对SLO的影响、迁移方案的必要性、课程目标与受众
1.1 节点故障：Kubernetes集群的“灰犀牛”事件
在Kubernetes生产环境中，节点故障并非“是否会发生”的问题，而是“何时发生”以及“如何影响SLO”的问题。物理机宕机、内核Panic、网络分区、磁盘IO Hang、kubelet失联等故障类型，会直接导致节点上的Pod进入Terminating或Unknown状态，进而引发服务容量缺失、请求超时、错误率飙升。
节点故障对SLO（Service Level Objective）的冲击通常表现为以下三个维度：
| SLO维度 | 典型指标 | 节点故障时的恶化表现 |
|---|---|---|
| 可用性 | 服务可用率 ≥ 99.99% | Pod副本数不足，部分请求被拒绝或超时 |
| 延迟 | P99延迟 ≤ 200ms | 流量重调度导致热点节点过载，延迟抖动加剧 |
| 吞吐量 | QPS ≥ 10,000 | 有效工作节点减少，总吞吐能力下降 |
关键认知： 节点故障本身不可怕，可怕的是故障发生后，Pod迁移过程缺乏SLO保障——迁移顺序混乱、PVC绑定超时、启动探针未就绪、流量过早切入，这些都会将一次基础设施故障放大为服务级别灾难。
1.2 迁移方案的必要性：从“被动恢复”到“主动编排”
Kubernetes默认的节点故障处理机制（kube-controller-manager 的 node-lifecycle-controller 与 pod-eviction-timeout）仅提供基础的Pod驱逐能力，无法满足SLO敏感型业务的需求。具体差距如下：
| 对比维度 | 默认驱逐机制 | SLO作业模板迁移方案 |
|---|---|---|
| 迁移顺序 | 按Pod创建时间或随机顺序 | 按SLO等级、优先级、依赖拓扑排序 |
| PVC处理 | 等待VolumeDetach超时（通常6分钟） | 预绑定+并行Attach，缩短至30秒内 |
| 流量切换 | EndpointSlice更新后立即切入 | 等待ReadinessGate + 启动完成度检查 |
| 回滚能力 | 无 | 支持迁移模板版本化，故障时可回退 |
构建迁移方案的核心必要性在于：将节点故障后的Pod迁移行为从“尽力而为”升级为“SLO保障驱动”。通过预定义的作业模板，将迁移策略、资源配额、依赖检查、流量切换规则固化为可重复执行的自动化流程，从而将MTTR（平均修复时间）从分钟级压缩到秒级，并确保迁移过程中SLO不降级。
核心收益：
- MTTR降低60%~80%
- 迁移期间P99延迟抖动控制在5%以内
- 零人工干预的自动化故障转移
1.3 节点故障与SLO影响的关联模型
下图展示了节点故障发生后，SLO指标随时间推移的典型恶化曲线，以及迁移方案介入的关键时间窗口：
1.4 课程目标与受众
本课程旨在为Kubernetes运维团队提供一套完整的、可落地的节点故障时SLO作业模板迁移方案，涵盖从故障检测、迁移决策、模板编排到流量切换的全生命周期。
| 角色 | 课程收益 | 前置要求 |
|---|---|---|
| SRE / 平台工程师 | 掌握迁移模板设计、SLO阈值配置、自动化故障转移流水线 | 熟悉Kubernetes核心资源、Prometheus监控 |
| K8s集群管理员 | 理解节点故障处理机制、Pod驱逐策略、迁移方案运维方法 | 具备Kubernetes集群管理经验 |
| 应用负责人 | 了解迁移对应用的影响、如何定义SLO作业模板、验证迁移效果 | 了解Pod Spec、Service、Ingress等基础概念 |
课程结构提示： 本课程共30章，分为四个模块——基础概念与故障模型（第1~6章）、迁移模板设计与实现（第7~16章）、自动化编排与SLO保障（第17~24章）、生产实践与故障演练（第25~30章）。每章均包含理论讲解、可运行代码示例、以及内联架构图。
1.5 迁移方案整体架构
下图展示了SLO作业模板迁移方案的核心组件与数据流：