3、四大黄金信号之流量：流量指标、流量模型与容量规划、流量突增的应对策略

流量（Traffic）是四大黄金信号中最为直观的指标，它直接反映了用户对系统的需求强度。在可观测性体系中，流量指标不仅用于衡量系统当前的负载水平，更是容量规划、成本控制、弹性伸缩和故障预防的核心依据。本节将深入剖析流量指标的定义与差异、流量模型的构建方法，以及应对流量突增的实战策略。

3.1 流量指标：QPS / RPS / TPS 的定义与差异

在流量监控中，QPS、RPS、TPS 是最常被提及的三个指标，但它们在语义和适用场景上存在显著差异。混淆使用会导致监控数据失真和容量评估偏差。

3.2 流量模型与容量规划

流量模型是对系统负载随时间、空间、用户行为变化的抽象描述。一个准确的流量模型是容量规划的基础，它决定了系统在峰值负载下能否稳定运行。

3.2.1 流量模型的三个维度

• 时间维度：日周期（早高峰/晚高峰）、周周期（工作日/周末）、季节性周期（促销季/节假日）。
• 空间维度：地域分布（多数据中心流量比例）、用户群体（VIP 用户 vs 普通用户）。
• 行为维度：读写比例、热点资源集中度、突发请求模式（如秒杀、抢票）。

3.2.2 容量规划的核心步骤

1. 基线采集：持续采集至少 3-6 个月的流量数据，建立历史基线。
2. 峰值识别：识别 P99、P95、P50 分位的流量峰值，以及最大突发峰值。
3. 资源映射：将流量指标映射到具体资源消耗（CPU、内存、网络带宽、数据库连接数）。
4. 冗余计算：在峰值基础上增加 30%-50% 的冗余容量，应对突发增长。
5. 压测验证：通过全链路压测验证容量模型的准确性。

3.3 流量突增的应对策略

流量突增是生产环境中最为常见的故障诱因之一。无论是促销活动、热点事件还是 DDoS 攻击，突增流量都会对系统稳定性构成直接威胁。以下是经过生产验证的应对策略体系。

3.3.1 事前预防：弹性架构与限流设计

• 弹性伸缩：基于流量指标（RPS/TPS）配置 HPA（Horizontal Pod Autoscaler），实现秒级扩容。
• 限流降级：在网关层配置令牌桶或漏桶算法，保护下游服务不被击穿。
• 缓存预热：针对可预见的流量高峰（如秒杀），提前将热点数据加载到缓存。

3.3.2 事中应对：快速发现与自动熔断

• 实时告警：设置流量突增告警阈值（如 RPS 超过基线 200% 持续 30 秒）。
• 自动熔断：当错误率或延迟超过阈值时，自动熔断非核心服务调用。
• 流量调度：通过 DNS 或全局负载均衡器将流量调度到备用集群。

3.3.3 事后复盘：根因分析与模型修正

• 流量溯源：分析突增流量的来源（用户群体、地域、渠道）。
• 容量模型修正：将本次突增数据纳入历史基线，更新容量规划模型。
• 预案演练：定期进行流量突增的混沌工程演练，验证应对策略的有效性。

3.4 流量指标的可观测性实践

在可观测性平台中，流量指标的采集和展示需要遵循以下最佳实践：

3.5 实战案例：电商大促流量突增应对

以电商平台双十一大促为例，流量突增的应对策略可以拆解为以下步骤：

1. 提前 1 个月：基于历史数据构建流量模型，预估峰值 RPS 和 TPS，完成容量规划。
2. 提前 1 周：部署限流规则（核心接口限流阈值 = 预估峰值 × 1.2），配置弹性伸缩策略。
3. 大促当天：实时监控 RPS 和错误率，当 RPS 达到阈值的 80% 时触发预扩容，达到 100% 时触发限流。
4. 大促结束后：分析实际流量数据，修正容量模型，更新限流规则。

通过上述策略，该电商平台在连续三年的双十一大促中实现了零宕机，流量突增应对成功率 100%。