1. 课程导论：服务画像、异常检测、容量压测、水位口径的核心概念与关联
在微服务架构与云原生环境下，容量保障不再是单纯的“压测-调优”循环，而是需要一套融合服务画像、异常检测、容量压测与水位口径的闭环体系。本章作为课程导论，首先厘清四个核心概念的定义、边界与内在关联，为后续章节的方案调整奠定理论基础。
1.1 核心概念定义
| 概念 | 定义 | 核心产出 | 典型应用场景 |
|---|---|---|---|
| 服务画像 | 对服务运行时特征的多维度数字化描述，包括资源消耗、调用拓扑、流量模式、依赖关系等。 | 服务基线、依赖矩阵、资源特征向量 | 容量规划、异常定位、压测模型构建 |
| 异常检测 | 通过统计或机器学习方法识别服务指标偏离正常基线的行为，并判定异常类型与影响范围。 | 异常事件、根因评分、影响面评估 | 故障发现、告警收敛、压测数据清洗 |
| 容量压测 | 在受控环境中对系统施加模拟负载，验证服务在预期或极限压力下的行为与性能。 | 吞吐量、响应时间、资源利用率曲线 | 容量验证、瓶颈发现、弹性策略验证 |
| 水位口径 | 定义服务容量“安全区”与“危险区”的量化标准，通常以资源利用率、延迟阈值、错误率等指标组合而成。 | 水位线阈值、容量余量、压测通过标准 | 压测结果判定、容量预警、扩缩容触发 |
关键认知：四个概念并非孤立存在。服务画像提供“服务长什么样”的基线；异常检测回答“服务是否健康”；容量压测验证“服务能扛多大压力”；水位口径则定义“什么程度算扛不住”。四者构成从感知→诊断→验证→判定的完整链路。
1.2 四者关联逻辑
服务画像与异常检测共同构成压测前置分析阶段：服务画像输出流量特征与资源基线，异常检测过滤掉压测期间的非容量故障，确保压测数据纯净。容量压测的结果反向校准水位口径，而水位口径又指导下一轮服务画像的采集粒度与异常检测的阈值设定。
闭环关系：服务画像 → 异常检测（数据清洗） → 容量压测（负载验证） → 水位口径（标准判定） → 服务画像（基线更新）。
1.3 异常检测对压测水位的影响机制
传统容量压测往往忽略异常检测环节，导致压测结果被非容量因素污染。异常检测对水位口径调整的影响体现在三个层面：
- 数据清洗层：剔除压测期间由代码缺陷、配置错误、依赖超时等非容量异常造成的指标毛刺，避免水位线被“假阳性”拉低。
- 阈值校准层：异常检测输出的异常类型（如突增型、漂移型、抖动型）直接指导水位口径的阈值设定——例如抖动型异常频发的服务，水位线应适当放宽以避免频繁误告。
- 影响面评估层：异常检测的根因评分与影响范围，帮助容量规划专家判断“当前压测水位是否真实反映了服务容量”，从而决定是否调整压测通过标准。
常见误区：部分团队将异常检测仅用于线上告警，而压测数据直接使用原始指标。这会导致水位口径被异常数据“带偏”，最终扩缩容策略失准。正确的做法是将异常检测作为压测前置的强制清洗步骤。
1.4 水位口径调整的触发条件
水位口径并非一成不变，以下场景需要触发调整：
| 触发场景 | 异常检测角色 | 调整方向 |
|---|---|---|
| 压测结果与线上表现偏差 > 15% | 验证压测数据是否被异常污染 | 收紧或放宽水位线 |
| 服务画像发生结构性变化（如新增依赖） | 检测新依赖引入的异常模式 | 重新定义容量基线 |
| 异常检测告警频率异常升高 | 分析异常类型是否与容量相关 | 调整水位口径的异常容忍度 |
| 容量压测通过率持续偏低 | 区分是容量不足还是异常误报 | 优化异常过滤规则后重测 |
1.5 课程整体知识图谱
本课程共30章，按“基础→方法→实践→优化”四阶段展开。本章导论之后，第2-5章深入服务画像建模，第6-10章讲解异常检测算法与工程落地，第11-18章覆盖容量压测设计与执行，第19-24章聚焦水位口径定义与调整策略，第25-30章通过完整案例串联全流程。