3. 变更评分模型设计：基于Kubernetes资源变更的评分算法

3.2 影响范围评分（S_scope）

影响范围衡量变更所波及的 Pod 副本数、命名空间数量以及下游依赖链长度。变更影响的 Pod 越多、跨命名空间越广、依赖链越长，风险越高。

3.3 资源类型评分（S_type）

不同类型的 Kubernetes 资源对集群稳定性的影响差异巨大。例如，修改 Deployment 的镜像版本通常比修改 ConfigMap 的风险更高，而修改 ClusterRole 或 ValidatingWebhookConfiguration 可能影响整个集群。

资源类型评分采用“基础分 + 修正分”模式：

• 基础分：根据资源类别预设风险基数。
• 修正分：根据资源是否包含 privileged、hostNetwork、nodePort 等高危字段进行加分。

3.4 变更频率评分（S_freq）

变更频率反映资源在近期时间窗口内的修改次数。频繁变更的资源往往处于不稳定状态，其变更风险更高。评分基于滑动时间窗口（默认 7 天）内的 Git 提交次数或 Argo CD 同步次数。

3.5 综合评分与风险等级映射

将三个维度的评分代入加权公式后，得到 0–100 的综合风险分数。为了便于任务编排，将分数映射为四个风险等级：

以下 SVG 图展示了评分模型在 Argo CD 管道中的实际执行流程：

3.6 评分模型代码示例

以下是一个简化的 Go 语言评分引擎实现片段，展示了如何将三个维度的评分逻辑组合为最终风险分数：

// RiskScorer 变更评分器
type RiskScorer struct {
    ScopeWeight float64 // 影响范围权重
    TypeWeight  float64 // 资源类型权重
    FreqWeight  float64 // 变更频率权重
}

// ScoreResult 评分结果
type ScoreResult struct {
    ScopeScore  float64 `json:"scope_score"`
    TypeScore   float64 `json:"type_score"`
    FreqScore   float64 `json:"freq_score"`
    RiskScore   float64 `json:"risk_score"`
    RiskLevel   string  `json:"risk_level"`
}

// Calculate 执行评分计算
func (rs *RiskScorer) Calculate(scope, resType, freq float64) ScoreResult {
    total := rs.ScopeWeight*scope + rs.TypeWeight*resType + rs.FreqWeight*freq

    level := "low"
    switch {
    case total >= 86:
        level = "critical"
    case total >= 61:
        level = "high"
    case total >= 31:
        level = "medium"
    }

    return ScoreResult{
        ScopeScore: scope,
        TypeScore:  resType,
        FreqScore:  freq,
        RiskScore:  total,
        RiskLevel:  level,
    }
}

// 默认权重初始化
func NewDefaultScorer() *RiskScorer {
    return &RiskScorer{
        ScopeWeight: 0.4,
        TypeWeight:  0.35,
        FreqWeight:  0.25,
    }
}