1. 课程导论：服务画像与资源画像的定义、在容量压测中的核心价值、课程整体大纲与学习目标
1.1 服务画像与资源画像的定义
在容量压测与稳定性工程中，服务画像与资源画像是构建系统可观测性与容量模型的两大基石。它们分别从业务逻辑视角和基础设施视角对系统进行结构化描述，为后续的压测场景设计、水位阈值设定与容量规划提供精确的输入。
| 维度 | 服务画像 (Service Profiling) | 资源画像 (Resource Profiling) |
|---|---|---|
| 关注对象 | 微服务、API、中间件、业务链路 | CPU、内存、磁盘、网络、GPU |
| 核心指标 | QPS、RT、TP99、错误率、调用拓扑、依赖关系 | 利用率、饱和度、错误计数、分配率、IOPS |
| 建模目标 | 描述服务处理请求的能力与行为特征 | 描述资源消耗模式与瓶颈上限 |
| 典型输出 | 调用链火焰图、吞吐-延迟曲线、依赖矩阵 | 资源使用趋势图、装箱比、碎片率 |
| 在压测中的角色 | 定义压测场景与业务模型 | 定义压测负载的物理约束 |
关键认知：服务画像回答“系统在做什么、做得快不快”；资源画像回答“系统用什么做、还有多少余量”。两者缺一不可，共同构成容量压测的输入双通道。
1.2 在容量压测中的核心价值
传统的容量压测往往依赖经验阈值（如 CPU 80% 告警），缺乏对业务特征与资源消耗之间映射关系的精确理解。引入服务画像与资源画像后，压测工作从“黑盒试探”升级为“白盒建模”，具体价值体现在以下四个层面：
- 压测场景精准化：基于服务画像中的真实调用链与流量分布，构造与生产环境高度一致的压测流量模型，避免“压了不重要的接口，漏了核心瓶颈”。
- 水位阈值科学化：结合资源画像中的利用率-性能拐点曲线，将阈值从固定百分比（如 CPU 80%）调整为动态拐点（如 CPU 75% 时 RT 开始陡增），消除误告与漏告。
- 容量规划可量化：通过服务画像的吞吐上限与资源画像的装箱模型，精确计算“每提升 1000 QPS 需要增加多少核 CPU、多少 GB 内存”，支撑预算与扩缩容决策。
- 异常定位根因化：压测过程中，服务画像与资源画像的交叉对比可以快速区分“是服务代码瓶颈”还是“资源争抢瓶颈”，缩短定位时间。
实践案例：某电商平台在双11压测中，仅凭服务画像发现“订单创建服务”的 TP99 在 CPU 利用率达到 72% 时出现拐点，而资源画像显示此时内存与网络均未饱和。团队据此将 CPU 告警阈值从 85% 下调至 70%，并提前扩容，最终大促期间零毛刺。
1.3 服务画像与资源画像的协同关系
服务画像与资源画像并非孤立存在，它们在容量压测中形成闭环协同。下图展示了从数据采集到阈值优化的完整链路：
1.4 课程整体大纲与学习目标
本课程共分为 30 章，按照“基础定义 → 画像构建 → 压测实践 → 阈值优化 → 容量规划 → 持续运营”的逻辑递进展开。以下是课程的核心模块与对应学习目标：
| 模块 | 章节范围 | 核心学习目标 |
|---|---|---|
| 模块一：基础与定义 | 第 1-4 章 | 掌握服务画像与资源画像的核心概念、数据采集方法、关键指标体系 |
| 模块二：画像构建实战 | 第 5-10 章 | 能够独立完成一个微服务的服务画像与资源画像的构建与可视化 |
| 模块三：压测场景与模型 | 第 11-15 章 | 基于画像结果设计压测场景、构造流量模型、配置监控与数据采集 |
| 模块四：水位阈值口径优化 | 第 16-22 章 | 掌握拐点分析法、动态阈值算法、多维度水位融合策略，输出可落地的阈值基线 |
| 模块五：容量规划与决策 | 第 23-27 章 | 基于画像与阈值结果，进行容量预测、装箱计算、扩缩容策略制定 |
| 模块六：持续运营与治理 | 第 28-30 章 | 建立画像基线管理、阈值漂移检测、压测资产沉淀与团队协作流程 |
前置要求：建议学员具备基础的 Linux 系统运维经验、至少一种编程语言（Python/Go/Java）的读写能力，以及基本的压测工具使用经验（如 JMeter、wrk、Locust）。本课程不涉及基础语法教学，重点在于方法论与工程实践的结合。
1.5 本章小结
本章作为课程导论，明确了以下三个核心认知：
- 服务画像描述业务行为与性能特征，资源画像描述基础设施消耗与瓶颈；两者是容量压测的“双轮驱动”。
- 画像驱动的压测能够实现场景精准化、阈值科学化、规划可量化、定位根因化，彻底告别经验主义运维。
- 课程按照“定义 → 构建 → 压测 → 优化 → 规划 → 运营”六阶段展开，确保学员从理论到落地形成完整闭环。