2. 服务画像基础：什么是服务画像？核心维度与画像建模方法

在可观测性工程中，服务画像（Service Profiling）是指通过多维度指标对单个微服务或应用进行结构化描述，形成该服务在正常与异常状态下的“数字孪生”快照。服务画像不是静态的元数据登记，而是基于实时与历史观测数据，提炼出服务的流量特征、资源消耗、依赖拓扑、错误模式、延迟分布五个核心维度的量化模型。

服务画像的核心价值在于：将告警阈值从“全局固定值”转变为“服务个性化基线”。没有画像的阈值调优如同盲人摸象——同一套阈值无法同时适配高流量网关与低频批处理任务。

2.1 服务画像的五维模型

我们将服务画像抽象为五个核心维度，每个维度对应一组可观测性指标与业务语义：

2.2 服务画像建模方法

画像建模是将原始观测数据转化为结构化画像的过程，通常包含以下四个步骤：

1. 指标采集与清洗：从 Prometheus、Datadog、SkyWalking 等可观测性平台拉取原始指标，去除异常离群点与采集缺失值。
2. 时间窗口聚合：按分钟/小时/天粒度计算均值、峰值、分位值，形成时间序列特征。
3. 特征提取与降维：从五维指标中提取关键特征，如“流量日峰谷比”“资源利用率均值”“错误率波动系数”。
4. 画像存储与更新：将特征向量存入画像数据库（如 Elasticsearch、ClickHouse），并设置滑动窗口定期更新。

以下是一个简化的服务画像 JSON 结构示例：

{
  "service_name": "order-service",
  "profile_version": "v2.3",
  "timestamp": 1712563200,
  "dimensions": {
    "traffic": {
      "qps_avg": 1250,
      "qps_peak": 3800,
      "concurrency_avg": 42
    },
    "resource": {
      "cpu_usage_p50": 0.45,
      "memory_rss_gb": 2.1,
      "disk_iops_avg": 320
    },
    "dependency": {
      "db_call_rate": 850,
      "cache_hit_ratio": 0.92,
      "rpc_timeout_rate": 0.003
    },
    "error": {
      "http_5xx_rate": 0.0012,
      "business_error_rate": 0.008
    },
    "latency": {
      "p50_ms": 45,
      "p99_ms": 280,
      "long_tail_ratio": 0.015
    }
  }
}

2.3 画像建模流程与数据流

下图展示了从原始观测数据到服务画像的完整建模流程，包含采集层、聚合层、特征层与存储层：

2.4 画像与业务特征的对齐策略

服务画像必须与业务特征对齐，否则阈值调优将脱离实际。常见的对齐策略包括：

• 按服务角色分类：网关服务关注流量与延迟；数据服务关注资源与依赖；异步消费者关注积压与错误。
• 按时间模式分类：日间高频服务与夜间批处理服务的流量基线差异可达 10 倍以上，画像需区分时段。
• 按部署环境分类：金丝雀版本与稳定版本的错误率基线不同，画像应携带版本标签。

2.5 画像质量评估指标

服务画像并非一次建模终身有效，需要持续评估其质量。以下为常用评估指标：