📚 课程目录第1章课程导论

1. 课程导论：为什么需要服务画像与 Error Budget？容量水位口径优化的背景与价值

在微服务架构与云原生环境日益复杂的今天，SRE 团队面临一个核心矛盾：资源投入的有限性与业务增长的不可预测性。传统的容量规划方法——依赖历史峰值乘以固定冗余系数——已无法应对流量突刺、服务依赖爆炸和故障级联效应。本课程导论将揭示服务画像与 Error Budget 如何成为解决这一矛盾的钥匙。

1.1 传统容量规划的三大困境

过去五年，我们在多个大规模集群（单集群 5000+ 节点）的运维中，反复遇到以下问题：

困境	典型表现	后果
口径割裂	业务团队用 QPS/RT 评估容量，基础设施团队用 CPU/内存水位，财务团队用成本分摊	扩容决策滞后，资源利用率低于 30%
静态阈值	所有服务统一使用 70% CPU 作为告警线，忽略服务类型差异	核心服务频繁误告警，非核心服务长期过载
无故障预算	每次发布都追求 100% 可用性，导致变更周期长达数周	创新速度下降，SLO 形同虚设

  关键洞察： 容量规划的本质不是“预测未来”，而是“管理风险”。Error Budget 提供了风险量化的货币，服务画像则定义了这笔货币应该花在哪里。

1.2 服务画像：从黑盒到白盒的认知跃迁

服务画像不是简单的“服务拓扑图”，而是一套多维度、可量化、持续演进的服务特征描述体系。它回答三个核心问题：

服务是什么？ —— 业务属性、调用关系、数据依赖
服务如何运行？ —— 资源消耗模式、弹性伸缩行为、故障恢复时间
服务价值几何？ —— 对收入的贡献、对用户体验的影响、合规要求

下图展示了服务画像的核心维度及其在容量规划中的映射关系：

1.3 Error Budget：容量决策的量化货币

Error Budget 的概念源自 Google SRE 实践，它将可用性目标转化为可消耗的“预算”。例如，一个承诺 99.9% 可用性的服务，其月度 Error Budget 为 43.2 分钟（30天 × 1440分钟 × 0.1%）。

在容量规划中，Error Budget 的价值体现在三个层面：

风险量化： 每次扩容决策都可以用“消耗多少 Error Budget”来评估。如果扩容延迟可能导致 10 分钟不可用，而 Error Budget 剩余 30 分钟，则决策风险可控。
优先级排序： 当多个服务争抢资源时，Error Budget 消耗速度快的服务获得更高优先级。
反馈闭环： 容量水位调整后，通过 Error Budget 消耗速率的变化验证调整效果。

实践建议： 不要将 Error Budget 仅视为“可用性指标”。在容量规划中，它更应被用作“风险预算”——允许你在资源紧张时做出有依据的权衡决策，而不是盲目扩容。

1.4 容量水位口径优化的核心价值

口径优化不是简单的“统一度量衡”，而是建立一套可审计、可追溯、可预测的容量决策体系。其价值体现在以下五个方面：

优化维度	优化前	优化后	收益
决策依据	经验 + 历史峰值	服务画像 + Error Budget 消耗	决策可量化，减少人为误判
资源利用率	平均 25% - 35%	提升至 50% - 65%	年度基础设施成本降低 30%+
故障响应	被动告警，平均 MTTR 45 分钟	主动水位预警，MTTR 降至 15 分钟	用户体验提升，SLA 达标率提高
跨团队协作	业务与基础设施团队互相推诿	统一口径，联合制定 SLO	协作效率提升，变更周期缩短
容量预测	月度人工评估，误差 ±40%	自动化预测，误差 ±15%	提前 2-4 周发现容量瓶颈

1.5 从理论到实践：本课程的学习路径

本课程共 30 章，分为四个阶段，逐步构建完整的容量水位口径优化体系：

前置要求： 本课程假设你已具备以下基础：
• 熟悉至少一种云原生基础设施（Kubernetes / 容器化部署）
• 了解基本监控指标（CPU、内存、QPS、延迟、错误率）
• 有 1 年以上 SRE 或运维相关工作经验

1.6 本章小结：从“救火”到“防火”的范式转变

服务画像与 Error Budget 的结合，本质上推动了一次容量规划的范式转变：

过去： 被动响应 → 看到告警才扩容 → 每次都是“救火”
现在： 主动画像 → 基于 Error Budget 预判风险 → 提前“防火”

在接下来的章节中，我们将一步步拆解如何构建服务画像、如何设计 Error Budget 策略、如何将口径优化落地到日常运维中。你将从“凭感觉扩容”走向“凭数据决策”，最终实现容量管理的可量化、可预测、可自动化。