4. 稳态指标定义：如何定义业务稳态指标与设定基线阈值

混沌工程的核心前提是“系统在稳态下可观测”。没有明确的稳态指标，混沌实验就失去了判断依据——无法区分“系统正常”与“系统异常”。本章聚焦于如何为业务系统定义四个核心稳态指标（延迟、吞吐量、错误率、饱和度），并设定科学的基线阈值。

4.1 四大黄金指标（Google SRE 经典模型）

Google SRE 团队提出的“四大黄金信号”是定义业务稳态的通用框架。下表总结了每个指标的业务含义、典型度量单位及混沌工程中的关注点：

4.2 基线阈值设定方法论

基线阈值不是静态数字，而是基于历史数据与业务容忍度动态计算出的“正常范围”。设定阈值通常遵循以下步骤：

1. 数据采集阶段： 收集至少 7~14 天的生产或压测指标数据，覆盖业务高峰与低谷。
2. 统计建模阶段： 计算均值、标准差、百分位数（P50/P95/P99），识别周期性模式。
3. 阈值计算阶段： 采用“均值 ± 3σ”或“P99 上限 + 缓冲”作为初始阈值。
4. 验证调整阶段： 通过历史故障回放或小范围混沌实验，验证阈值能否有效捕获异常。
5. 持续更新阶段： 随系统迭代、流量变化定期（如每周）重新校准基线。

4.3 稳态指标与基线的关系模型

下图展示了四大黄金指标如何与基线阈值协同工作，形成混沌实验的“观测-判断”闭环：

4.4 不同业务场景的指标优先级

并非所有场景都需要同等关注四个指标。下表给出了典型业务场景的指标优先级排序：

4.5 基线阈值设定示例（代码片段）

以下 Python 代码展示了如何基于历史数据计算延迟基线阈值：

import numpy as np

def calculate_latency_baseline(history_latencies_ms, multiplier=1.5):
    """
    基于历史延迟数据计算稳态基线上限。
    
    参数:
        history_latencies_ms: list[float] 历史P99延迟数据
        multiplier: float 缓冲倍数，默认1.5
    
    返回:
        baseline_upper: float 基线上限
        p99_value: float 当前P99值
    """
    p99_value = np.percentile(history_latencies_ms, 99)
    baseline_upper = p99_value * multiplier
    return baseline_upper, p99_value

# 示例：过去7天每5分钟的P99延迟数据（单位ms）
history_data = [120, 135, 110, 145, 130, 125, 140, 155, 115, 128]
baseline, p99 = calculate_latency_baseline(history_data)
print(f"P99延迟: {p99:.1f} ms")
print(f"稳态基线上限: {baseline:.1f} ms")
print(f"当混沌实验期间P99 > {baseline:.1f} ms 时，判定稳态破坏")

4.6 基线阈值常见问题与避坑

• 阈值过紧： 使用“均值 ± 2σ”可能导致频繁误报，建议从“均值 ± 3σ”或“P99 × 1.5”开始，逐步收紧。
• 阈值过松： 仅使用平均延迟会掩盖尾延迟劣化，必须引入百分位指标（P95/P99/P999）。
• 忽略周期性： 业务流量有日/周周期，基线应区分“高峰时段”与“低谷时段”，分别设定阈值。
• 静态阈值： 系统随版本迭代性能会变化，基线必须定期自动校准，避免“基线漂移”。
• 指标孤岛： 延迟升高可能是饱和度导致的，单一指标判断可能误判根因，建议多指标联合判定。