3、四大黄金信号之流量：流量指标与模式识别
流量（Traffic）是衡量系统请求负载的核心黄金信号，直接反映用户行为与系统承载压力的动态关系。本节聚焦流量指标的量化定义、模式识别方法及异常检测策略，帮助SRE团队构建精准的服务画像。
3.1 流量核心指标：QPS / RPS / TPS
流量指标通常以每秒请求数衡量，但在不同架构层次存在细微差异。下表梳理了三类核心指标的定义与适用场景：
| 指标 | 全称 | 定义 | 典型适用场景 |
|---|---|---|---|
| QPS | Queries Per Second | 每秒查询次数，侧重读操作 | 数据库、搜索引擎、缓存层 |
| RPS | Requests Per Second | 每秒请求次数，涵盖读写 | API网关、Web服务器、微服务入口 |
| TPS | Transactions Per Second | 每秒事务数，强调完整业务单元 | 支付、下单、核心交易链路 |
实践建议：在微服务架构中，优先以 RPS 作为统一流量计量单位，便于跨服务横向对比；对核心交易链路额外追踪 TPS，以反映真实业务吞吐能力。
3.2 流量模式识别
流量模式是服务画像的动态特征维度。通过长期观测，可归纳出以下典型模式：
- 日周期模式：白天高流量、夜间低流量，常见于面向C端用户的服务。
- 周周期模式：工作日与周末流量形态差异明显，如办公类服务周末低谷。
- 突发脉冲模式：秒级或分钟级流量陡增，如秒杀、热点事件、定时任务触发。
- 阶梯增长模式：伴随业务推广或用户增长，流量呈阶梯式上升。
- 异常衰减模式：流量突然下降，可能预示上游依赖故障或入口阻断。
模式识别价值：准确识别流量模式是设定动态基线、配置弹性伸缩策略、区分正常波动与异常事件的前提。例如，日周期模式适合按小时滑动窗口计算基线；突发脉冲模式则需要启用实时检测算法。
3.3 流量异常检测方法
流量异常检测的目标是快速识别偏离预期模式的数据点或区间，避免误报与漏报。常用方法分为三类：
| 方法类别 | 典型算法 | 适用场景 | 优势 | 局限 |
|---|---|---|---|---|
| 统计基线法 | 移动平均、指数平滑、分位数 | 强周期、平稳流量 | 计算简单、可解释性强 | 对突发脉冲敏感度低 |
| 时间序列分解 | STL、Prophet | 多周期叠加、趋势变化 | 分离趋势/季节/残差 | 实时性较差 |
| 机器学习方法 | 孤立森林、LSTM-Autoencoder | 复杂非线性模式 | 自适应、高精度 | 需训练数据、计算开销大 |
注意：流量异常检测应避免单一算法依赖。推荐采用 集成检测策略：统计基线法做第一层快速过滤，时间序列分解做第二层模式验证，机器学习方法做第三层复杂异常判定。三层结果通过投票或加权融合输出最终异常标签。
3.4 流量异常检测流程
标准化的流量异常检测流程包含以下步骤：
- 数据采集与预处理：以1分钟粒度采集RPS/TPS，清洗缺失值与毛刺点。
- 模式匹配：将当前流量窗口与历史模式库进行相似度比对，识别所属模式类别。
- 基线计算：根据匹配的模式类别，动态计算期望值及上下容忍边界（如±3σ或P5-P95区间）。
- 偏差判定：若当前值超出容忍边界，标记为疑似异常；连续超出N个窗口则确认为异常。
- 告警与画像更新：触发告警事件，同时将异常特征写入服务画像的“流量异常事件”标签。
3.5 流量指标与服务画像的联动
流量指标直接驱动服务画像中以下维度的动态更新：
- 流量特征标签：记录当前RPS均值、峰值、P99分位数，标记流量模式类型（周期/脉冲/阶梯）。
- 弹性伸缩建议：基于流量趋势预测，输出扩容/缩容建议及期望实例数。
- 依赖拓扑权重：高流量服务在依赖拓扑中标记为“高负载上游”，触发下游限流或降级策略。
- 异常事件时间线：将每次流量异常检测结果写入画像的异常事件列表，形成可回溯的时序记录。
关键结论：流量指标不仅是监控面板上的数字，更是服务画像动态更新的核心输入。通过QPS/RPS/TPS的精准度量、流量模式的自动识别、异常检测的集成策略，SRE团队能够实时掌握服务的“流量健康度”，为容量规划、弹性伸缩、故障定位提供数据支撑。