基线核验概念：从定义到漂移识别

在混沌工程中，基线（Baseline）并非一个静态的快照，而是系统在正常生产负载下可观测性指标与行为模式的标准参考系。基线核验是混沌实验的“校准仪”——没有基线，实验结论将失去比较基准，无法区分“系统正常波动”与“故障注入引发的异常”。

1. 什么是基线

基线是系统在稳态（Steady State）下的一组可量化指标集合，通常涵盖以下维度：

2. 基线核验在混沌工程中的重要性

基线核验是混沌实验的前置条件与结果判据，其核心价值体现在三个层面：

• 实验有效性保障：只有确认系统处于基线范围内，才能将实验后的指标偏移归因于故障注入，而非环境噪声或配置偏差。
• 自动化决策依据：自助服务平台通过基线核验自动判断实验是否通过——若实验后指标回落到基线 ± 阈值内，则判定系统具备韧性；否则触发告警或回滚。
• 配置同步的校验锚点：在多环境（开发/测试/预发/生产）参数同步场景中，基线数据用于验证同步后的环境行为是否一致，避免“配置相同但表现不同”的隐性问题。

3. 基线漂移的识别方法

基线漂移（Baseline Drift）指系统在未发生故障注入的情况下，指标逐渐偏离原始基线范围的现象。漂移可能由代码变更、配置修改、流量模式变化或基础设施退化引起。若不识别漂移，混沌实验将基于过时的基线做出错误判断。

识别漂移的三种主流方法：

4. 基线核验与参数同步的关系

在自助服务平台的实践中，基线核验与参数同步形成闭环：

1. 参数同步前：采集源环境的基线数据作为参考基准。
2. 参数同步后：在目标环境执行基线核验，对比同步前后的指标差异。
3. 漂移判定：若差异超过阈值，说明参数同步未达到预期效果，需排查配置映射或环境差异。
4. 自动修正：平台根据漂移分析结果，触发参数回滚或增量同步。

5. 基线漂移的量化识别示例

以下是一个基于统计阈值法的漂移检测伪代码，展示如何在实际平台中集成漂移识别：

# 基线漂移检测伪代码
def detect_baseline_drift(current_metrics, baseline_profile, threshold=3.0):
    """
    current_metrics: dict, 当前窗口的指标均值 {metric_name: value}
    baseline_profile: dict, 基线配置 {metric_name: {mean, std}}
    threshold: float, 标准差倍数阈值
    return: list, 漂移指标列表
    """
    drifted_metrics = []
    for metric, value in current_metrics.items():
        if metric not in baseline_profile:
            continue
        mean = baseline_profile[metric]['mean']
        std = baseline_profile[metric]['std']
        if std == 0:
            continue
        z_score = abs(value - mean) / std
        if z_score > threshold:
            drifted_metrics.append({
                'metric': metric,
                'current': value,
                'baseline_mean': mean,
                'z_score': round(z_score, 2)
            })
    return drifted_metrics

# 调用示例
baseline = {
    'p99_latency_ms': {'mean': 120, 'std': 15},
    'error_rate_pct': {'mean': 0.5, 'std': 0.1},
    'rps': {'mean': 2500, 'std': 300}
}
current = {'p99_latency_ms': 185, 'error_rate_pct': 0.6, 'rps': 2400}
drift_result = detect_baseline_drift(current, baseline)
print(drift_result)
# 输出: [{'metric': 'p99_latency_ms', 'current': 185, 'baseline_mean': 120, 'z_score': 4.33}]