1. 服务画像概述
1.1 服务画像的定义
服务画像（Service Profile）是对一个在线服务系统在运行态的数字化抽象与结构化描述。它并非静态的架构文档，而是通过可观测性数据持续驱动的、反映服务健康状态、行为特征与依赖关系的动态模型。简单来说，服务画像就是服务在运维视角下的“数字孪生身份证”。
核心定义：服务画像 = 服务元数据 + 实时可观测性指标 + 历史行为基线 + 依赖拓扑关系。它让 SRE 团队能够“一眼看清”一个服务的真实运行面貌。
1.2 服务画像在 SRE 中的价值
在 SRE 实践中，服务画像解决了三个关键问题：“服务现在健康吗？”、“服务依赖谁？”、“服务容量够吗？”。其具体价值体现在以下四个维度：
| 价值维度 | 说明 | 典型场景 |
|---|---|---|
| 故障定位加速 | 通过链路画像快速定位故障边界，区分是自身问题还是依赖方问题 | P0 故障时，5 分钟内确定根因 |
| 容量规划依据 | 基于 SLO 达成率与误差预算消耗趋势，指导扩缩容决策 | 大促前评估是否需要扩容 |
| 变更风险评估 | 结合台账与链路依赖，评估变更影响范围 | 发布前自动检测下游依赖是否健康 |
| 成本优化抓手 | 通过误差预算利用率，识别过度冗余或资源浪费的服务 | 识别长期低负载但高配置的服务实例 |
1.3 服务画像的核心要素
服务画像由四个核心要素构成，它们共同编织成服务的完整运行视图：SLO（服务等级目标）、误差预算（Error Budget）、台账（Service Inventory）、链路（Service Topology）。
1.4 核心要素详解
1.4.1 SLO（服务等级目标）
SLO 是服务画像的“北极星”，它定义了服务在特定时间窗口内必须达到的可靠性目标。常见的 SLO 指标包括：
- 可用性（Availability）：服务请求成功率的百分比，例如 99.9%（三个九）。
- 延迟（Latency）：请求响应时间的百分位值，例如 p99 延迟 < 200ms。
- 吞吐量（Throughput）：单位时间处理的请求数，例如 10,000 QPS。
- 错误率（Error Rate）：返回错误状态码的请求占比，例如 < 0.1%。
实践建议：SLO 不是越高越好。99.99% 的 SLO 意味着每年仅 52 分钟的不可用时间，对应的基础设施成本可能翻倍。SLO 的设定需要平衡用户体验与运营成本。
1.4.2 误差预算（Error Budget）
误差预算 = 1 - SLO。它代表服务在 SLO 目标下允许失败的总量。例如，99.9% 可用性的服务，其月度误差预算为 0.1% × 30 天 × 24 小时 × 3600 秒 = 约 43 分钟。误差预算的核心作用：
- 风险量化：将抽象的可靠性目标转化为具体的“可消耗时间”。
- 决策依据：当误差预算充足时，可以加速发布新功能；当预算紧张时，应冻结变更、优先修复稳定性。
- 告警触发：设置误差预算消耗速率告警，提前预警 SLO 违规风险。
1.4.3 台账（Service Inventory）
台账是服务画像的“资产清单”，记录了服务的所有静态与动态元数据：
| 台账类别 | 包含内容 | 示例 |
|---|---|---|
| 基础信息 | 服务名称、Owner、团队、Git 仓库、部署环境 | order-service / 电商团队 / prod |
| 资源信息 | CPU/内存规格、实例数、容器镜像版本 | 4C8G × 20 实例 / v2.3.1 |
| 配置信息 | 启动参数、环境变量、特性开关 | JAVA_OPTS="-Xmx4g" / feature_flag_v2=true |
| 依赖信息 | 依赖的中间件、数据库、外部 API | MySQL 集群 A / Redis 集群 B |
1.4.4 链路（Service Topology）
链路是服务画像的“交通地图”，它描绘了服务之间的调用关系与数据流向。链路画像的价值在于：
- 依赖可视化：清晰展示上游调用方与下游依赖方。
- 故障传播分析：当某个下游服务出现延迟或错误时，快速评估受影响的上游服务范围。
- 容量评估：结合链路流量数据，判断是否需要为关键路径上的服务扩容。
常见误区：很多团队只关注 SLO 指标，却忽略了台账和链路的维护。当故障发生时，没有准确的台账和链路信息，SLO 数据只能告诉你“服务出问题了”，却无法告诉你“问题出在哪里”。服务画像的四个要素缺一不可。
1.5 服务画像的构建原则
- 自动化优先：通过服务注册发现、CMDB、可观测性平台自动采集数据，减少人工维护。
- 动态更新：服务画像不是一次性文档，需要随部署、扩缩容、依赖变更实时刷新。
- 分层抽象：从基础设施层、中间件层到业务服务层，逐层构建画像，避免信息过载。
- 可消费性：画像数据应能被告警系统、自动化运维工具、可视化大盘直接消费。