1. 课程导论：什么是质量门禁、为什么需要 Golden Signals、课程目标与学习路径
1.1 质量门禁：从“事后灭火”到“事前拦截”
在传统运维模式中，日志与指标往往在故障发生后才被调取分析，这种“事后诸葛亮”的方式导致 MTTR（平均修复时间）居高不下。质量门禁（Quality Gate）是一套在软件交付与运行阶段自动执行的检查规则集合，它像一道数字闸门，在关键节点对日志与指标数据进行实时判定，只有通过门禁的变更或服务版本才能继续流向生产环境。
核心定义：质量门禁 = 可编程的判定规则 + 实时数据输入 + 阻断/告警输出。它把“人肉巡检”转变为“自动化卡口”。
质量门禁在日志领域的典型应用场景包括：
- 发布前门禁：检测新版本日志中是否出现新增的 ERROR 级别日志、关键接口响应时间是否超过基线。
- 运行时门禁：持续监控日志错误率突增、日志吞吐量骤降（可能表示进程挂死）。
- 合规门禁：检查日志中是否包含敏感信息（如身份证号、密码明文），一旦发现立即阻断并告警。
| 门禁类型 | 输入数据 | 判定逻辑示例 | 阻断动作 |
|---|---|---|---|
| 发布前门禁 | 预发环境日志流 | ERROR 日志占比 > 0.1% | 拒绝上线，回滚版本 |
| 运行时门禁 | 生产日志实时流 | 5 分钟内错误率 > 5% | 触发告警，自动摘除节点 |
| 合规门禁 | 全量日志索引 | 正则匹配敏感数据模式 | 日志脱敏或阻断写入 |
1.2 为什么需要 Golden Signals：从“指标爆炸”到“信号聚焦”
现代分布式系统产生的指标数量动辄数十万，直接对所有指标设置门禁既不现实也无必要。Google SRE 团队提出的 Golden Signals（黄金信号）提供了四个最核心的观测维度：延迟（Latency）、流量（Traffic）、错误（Errors）和饱和度（Saturation）。这四个信号覆盖了用户可感知的故障与系统内部瓶颈，是构建质量门禁的最佳数据源。
为什么是这四个？ 延迟直接影响用户体验；流量反映负载变化；错误直接对应故障；饱和度预示即将发生的容量问题。四者组合可以覆盖 90% 以上的生产故障场景。
将 Golden Signals 与日志结合，可以产生强大的门禁能力：
- 延迟 + 日志：当 P99 延迟超过 500ms 时，自动关联对应时间窗口内的慢日志，定位慢 SQL 或远程调用。
- 错误 + 日志：错误率门禁触发时，自动提取错误日志的堆栈指纹，聚合出 TOP N 异常类型。
- 流量 + 日志：流量突增时，通过日志中的请求路径分布，判断是正常促销还是 DDoS 攻击。
- 饱和度 + 日志：CPU/内存饱和度升高时，检查日志中的 GC 停顿或线程池拒绝日志。
1.3 课程目标与学习路径
本课程旨在帮助 SRE 与可观测性工程师掌握一套可落地的实战方法：如何从日志中提取 Golden Signals，并基于这些信号构建自动化质量门禁。课程不空谈理论，而是围绕真实的生产场景，提供完整的配置方案与代码示例。
| 课程模块 | 核心内容 | 产出物 |
|---|---|---|
| 第 1-3 章：基础概念 | 质量门禁原理、Golden Signals 定义、日志结构化标准 | 门禁设计模板、日志规范文档 |
| 第 4-10 章：指标提取 | 从日志中提取延迟、流量、错误、饱和度的方法与工具 | LogQL/PromQL 查询语句、提取脚本 |
| 第 11-20 章：门禁配置 | 基于 Loki/Prometheus/Elasticsearch 的门禁规则编写 | 可复用的门禁规则 YAML 文件 |
| 第 21-25 章：告警与自动化 | 门禁触发后的告警路由、自动回滚、工单联动 | Alertmanager 配置、自动化脚本 |
| 第 26-30 章：最佳实践 | 大规模集群门禁优化、误报抑制、门禁效果度量 | 门禁效果看板、运维手册 |
学习前提：建议学员具备基础的日志系统使用经验（如 ELK、Loki 或 Splunk），了解 PromQL 或 LogQL 基本语法。本课程不从头教授这些工具的基础操作，而是聚焦于门禁配置这一垂直领域。
1.4 本章小结
- 质量门禁是自动化运维的“守门员”，通过实时规则判定拦截故障。
- Golden Signals 提供了四个最核心的观测维度，避免指标过载。
- 将 Golden Signals 与日志结合，可以构建精准、可解释的质量门禁体系。
- 本课程按照“概念 → 提取 → 配置 → 自动化 → 最佳实践”的路径展开，确保学完即用。