1. 课程导论：质量门禁与 Golden Signals 的定义、历史数据驱动优化的价值、课程目标与学习路径
1.1 质量门禁：从“人工巡检”到“自动化卡点”
质量门禁（Quality Gate）是现代软件交付与运维体系中，用于阻断低质量或高风险变更进入生产环境的自动化检查机制。它不再依赖人工经验判断，而是通过预设的指标阈值与策略规则，在 CI/CD 管线的关键节点（如代码合并、构建完成、预发布验证）执行强制校验。
| 演进阶段 | 典型特征 | 局限性 |
|---|---|---|
| 人工巡检期 | 运维人员手动检查日志、监控面板 | 效率低、遗漏率高、依赖个人经验 |
| 静态门禁期 | 固定阈值（如 CPU > 90% 告警） | 误报率高、无法适应业务潮汐 |
| 动态门禁期 | 基于历史基线 + 趋势预测 | 需要高质量历史数据支撑 |
| 智能门禁期 | 多指标关联 + 异常检测 + 自动回滚 | 模型复杂度高、可解释性要求强 |
核心认知：质量门禁不是“一刀切”的拦截工具，而是风险量化后的决策辅助系统。其有效性取决于门禁策略是否与真实生产表现对齐。
1.2 Golden Signals：可观测性的四大黄金信号
Google SRE 经典著作中定义的四大黄金信号（Golden Signals），是衡量用户侧服务健康度的核心指标集。它们从不同维度覆盖了服务的可用性、性能与容量。
- 延迟（Latency）： 请求处理耗时，区分成功请求与失败请求的延迟分布。
- 流量（Traffic）： 系统承载的请求量级，如 QPS、RPS、并发连接数。
- 错误（Errors）： 显式错误（HTTP 5xx）与隐式错误（返回 200 但业务逻辑异常）。
- 饱和度（Saturation）： 资源使用程度，如 CPU 使用率、内存占用、连接池水位。
实践要点：门禁策略应至少覆盖 3 个 Golden Signals 维度。仅依赖单一指标（如 CPU）的门禁，在流量突增或慢查询场景下极易漏报。
1.3 历史数据驱动优化的价值
传统门禁策略的阈值设定往往依赖“拍脑袋”或短期观察，导致两个典型问题：误拦截（正常变更被阻断）和漏拦截（有风险变更被放行）。历史数据驱动优化，通过分析过去 N 次变更的 Golden Signals 表现，建立动态基线，使门禁策略具备自适应能力。
| 优化维度 | 传统方式 | 历史数据驱动方式 |
|---|---|---|
| 阈值设定 | 固定值（如延迟 > 200ms 告警） | 基于历史 P95 波动范围 + 季节因子 |
| 异常检测 | 静态上下界 | 3σ / 移动平均 / 同比环比 |
| 策略调优 | 人工复盘后手动调整 | 自动回测 + 误报率/漏报率评估 |
| 变更影响评估 | 仅看当前指标是否超限 | 对比变更前后 Golden Signals 分布偏移 |
常见误区：历史数据驱动不等于“数据越多越好”。需要关注数据时效性（如保留最近 30 天）、数据质量（缺失值、异常点清洗）以及业务周期性（工作日 vs 周末、促销日 vs 普通日）。
1.4 课程目标与学习路径
本课程旨在帮助 SRE 与运维工程师，从“被动响应”转向“主动预防”，通过历史 Golden Signals 数据反哺门禁策略，实现质量门禁的持续优化。
- 核心目标：掌握基于历史数据构建、评估、迭代质量门禁策略的方法论与工程实践。
- 能力覆盖：
- 理解 Golden Signals 在门禁场景下的采集与存储规范
- 掌握历史数据基线计算与异常检测算法选型
- 学会设计门禁策略回测框架与误报/漏报分析
- 具备将优化策略落地到 CI/CD 管线与可观测性平台的能力
学习建议：建议学员提前熟悉 PromQL / SQL 基础查询语法，并具备基本的 Python 数据处理能力。每章均提供可运行的代码示例与数据集，建议边学边练。