1. 课程导论：指标门禁与灰度发布准入的定义、核心价值、常见故障场景总览

1.1 什么是指标门禁？

指标门禁（Metric Gate）是一套基于可观测性指标的自动化质量卡口。在软件交付管线的关键节点（如预发验证、生产灰度、全量发布前），系统会实时采集目标服务的黄金指标（延迟、流量、错误、饱和度），并与预设的基线或阈值进行比对。只有所有指标均通过门禁检查，发布流程才能继续推进。

1.2 什么是灰度发布准入？

灰度发布准入（Canary Release Admission）是微服务架构下控制新版本流量暴露范围的安全机制。它通过将新版本实例逐步引入生产环境，并持续观测其运行状态，确保新版本在获得全部流量前不会引发大规模故障。灰度准入通常与指标门禁联动：新版本实例的指标必须持续通过门禁，灰度比例才会从 1% → 5% → 20% → 100% 逐步提升。

1.3 核心价值

• 故障前置： 在故障影响真实用户前，通过指标异常提前拦截。
• 自动化决策： 减少人工盯屏和手动回滚的延迟，将 MTTR（平均修复时间）从分钟级压缩到秒级。
• 风险量化： 将“感觉有问题”转化为“错误率上升 3.2%，超过门禁阈值 2%”，提供客观的发布决策依据。
• 渐进式暴露： 灰度准入确保新版本只在小范围验证，即使出现问题，爆炸半径也极小。

1.4 常见故障场景总览

在实际生产环境中，指标门禁与灰度准入的故障排查往往涉及多个层面。以下表格列出了最常见的六大故障场景，也是本课程后续章节的核心实战案例。

1.5 指标门禁与灰度准入的协作流程

下图展示了从代码提交到全量发布的完整流程中，指标门禁与灰度准入的协作关系。理解这个流程是后续故障排查的基础。

1.6 故障排查的通用思路

面对指标门禁与灰度准入相关的故障，SRE 需要建立系统化的排查路径。本课程将围绕以下四步法展开每个实战案例：

1. 确认故障现象： 是门禁误报/漏报？还是灰度卡死/倾斜？明确故障类型。
2. 定位数据断层： 检查指标采集链路（Agent → 聚合层 → 存储 → 查询），确认数据是否完整、准确、及时。
3. 分析策略逻辑： 审查门禁阈值、灰度比例、准入条件等配置，判断策略是否合理。
4. 验证修复效果： 通过模拟发布或回放历史数据，确认修复后门禁与灰度行为符合预期。