3. 健康度检查指标体系设计：配置发布健康度的关键指标

配置发布健康度检查的核心在于将运维经验量化为可观测、可对比、可预警的指标体系。本章围绕成功率、回滚率、执行时长、错误分布四个维度，构建一套适用于 Ansible 自动化发布场景的度量模型。

3.1 指标体系全景

下表列出四个核心维度的定义、采集方式与健康阈值参考：

3.2 成功率：最直接的发布质量信号

成功率分为两个层级：任务级成功率（单个 Task 在目标主机上的执行结果）和主机级成功率（整台主机上所有 Task 的通过比例）。

• 任务级成功率 = (ok + changed) / (ok + changed + failed + unreachable) × 100%
• 主机级成功率 = 成功主机数 / 目标主机总数 × 100%

当主机级成功率低于 95% 时，应自动阻断后续发布流程并触发告警。

# 通过 Ansible 回调插件采集成功率示例（Python 片段）
def v2_runner_on_ok(self, result):
    self.stats['ok'] += 1

def v2_runner_on_failed(self, result, ignore_errors=False):
    if not ignore_errors:
        self.stats['failed'] += 1

def get_success_rate(self):
    total = self.stats['ok'] + self.stats['failed']
    return round(self.stats['ok'] / total * 100, 2) if total > 0 else 100.0

3.3 回滚率：衡量发布流程的容错能力

回滚率反映发布流程的容错设计是否有效。高回滚率不一定代表发布质量差，但说明发布流程存在系统性风险。

• 回滚率 = 回滚次数 / 总发布次数 × 100%
• 建议按时间窗口（如最近 30 天）和发布类型（全量/灰度）分别统计
• 回滚原因应打标签：配置错误、依赖缺失、环境差异、人为误操作

3.4 执行时长：性能退化与异常检测

执行时长异常往往是配置发布健康度恶化的前兆信号。重点关注两个指标：

执行时长异常通常由以下原因引起：网络延迟、目标主机负载过高、Ansible 控制节点资源不足、Task 设计不合理（如串行执行可并行的操作）。

3.5 错误分布：快速定位故障根因

错误分布指标帮助运维人员从三个维度快速缩小故障范围：

1. 按模块分布：哪个 Ansible 模块（如 copy、template、yum）失败最多
2. 按主机分布：失败是否集中在某台或某类主机（如特定机房、特定角色）
3. 按错误类型分布：权限拒绝、连接超时、文件不存在、语法错误等

通过错误分布热力图，可以直观发现单点故障或批量故障模式。

3.6 指标聚合与健康度评分模型

将四个维度指标聚合为综合健康度评分，便于管理层快速决策：

健康度评分 = 
  成功率得分 × 0.40 +
  (1 - 回滚率) × 0.20 +
  执行时长达标率 × 0.20 +
  错误分散度得分 × 0.20

• 成功率得分：实际成功率 / 目标成功率（上限 1.0）
• 执行时长达标率：基线时长 / 实际时长（上限 1.0）
• 错误分散度得分：1 - (最大错误占比 - 平均错误占比)，值越高说明错误分布越均匀

3.7 指标落地检查清单

在工程实践中，建议按以下清单逐项确认指标体系的完整性：