1. 课程导论：GameDay 与混沌工程的关系、容量水位口径的定义、课程目标与学习路径
1.1 为什么需要 GameDay？——从混沌工程到容量水位
在微服务与云原生架构下，系统故障不再是“会不会发生”的问题，而是“何时发生、如何快速恢复”的问题。传统被动式运维（故障发生→排查→修复）已无法满足高可用 SLA 要求。GameDay 正是将故障演练从“临时救火”升级为“常态化压力测试”的关键实践。
混沌工程（Chaos Engineering）通过主动注入故障，验证系统在异常条件下的韧性。而 容量水位口径 则是衡量系统在故障注入前后，资源消耗与服务质量之间关系的量化标尺。两者结合，才能回答：“系统到底能扛多少流量？故障发生时，容量缺口有多大？”
核心观点： GameDay 是混沌工程的“实战考场”，容量水位口径是考场的“评分标准”。没有口径的 GameDay 只是“乱炸”，没有 GameDay 的口径只是“纸上谈兵”。
1.2 混沌工程与 GameDay 的关系
| 维度 | 混沌工程 | GameDay |
|---|---|---|
| 目标 | 验证系统韧性，发现未知脆弱点 | 在可控时间内，模拟真实故障场景，训练应急响应 |
| 范围 | 持续、自动化、常态化注入 | 有明确开始/结束时间，通常为 2-4 小时 |
| 输出 | 稳态假设、实验报告、改进项 | 故障复盘、SRE 响应流程优化、容量水位基线 |
| 与容量关系 | 通过故障注入暴露容量瓶颈 | 通过水位口径量化瓶颈的严重程度 |
简单来说：混沌工程提供“故障注入能力”，GameDay 提供“演练组织框架”，容量水位口径提供“量化评估标准”。三者缺一不可。
1.3 容量水位口径的定义
容量水位口径 是指：在特定故障场景下，系统能够维持 SLA 的最大负载与当前实际负载之间的比值关系。它不是单一指标，而是一组 “负载-资源-质量” 的映射规则。
公式化表达：
容量水位 = 当前实际负载 / 最大安全负载 × 100%
其中“最大安全负载” = 在 P99 延迟 ≤ 阈值、错误率 ≤ 0.1% 的前提下，系统能承受的最高 QPS。
容量水位 = 当前实际负载 / 最大安全负载 × 100%
其中“最大安全负载” = 在 P99 延迟 ≤ 阈值、错误率 ≤ 0.1% 的前提下，系统能承受的最高 QPS。
容量水位口径包含三个核心维度：
- 负载维度： QPS、并发连接数、吞吐量（MB/s）
- 资源维度： CPU 使用率、内存占用、磁盘 IOPS、网络带宽
- 质量维度： P50/P99/P999 延迟、错误率、熔断/降级触发次数
| 水位区间 | 颜色标识 | 含义 | 建议动作 |
|---|---|---|---|
| 0% – 60% | 绿色 | 安全区，有充足冗余 | 日常运营，可接受突发流量 |
| 60% – 80% | 黄色 | 警戒区，需关注趋势 | 准备扩缩容预案，检查限流阈值 |
| 80% – 95% | 橙色 | 危险区，接近容量上限 | 立即扩容或降级非核心功能 |
| 95% – 100%+ | 红色 | 过载区，SLA 受损 | 触发熔断，启动容灾切换 |
1.4 课程目标与学习路径
本课程旨在帮助 SRE、运维工程师、架构师掌握以下能力：
- 设计 GameDay 演练计划： 从故障场景选择到演练复盘，形成标准化流程。
- 定义容量水位口径： 针对不同业务场景，建立可量化的容量评估模型。
- 实战故障排查： 在混沌工程注入的故障中，快速定位容量瓶颈并制定恢复策略。
- 输出改进方案： 基于 GameDay 结果，推动架构优化与容量规划。
1.5 本章小结
⚠️ 常见误区： 很多团队把 GameDay 等同于“随便找个故障注入一下”，忽略了容量水位口径的量化作用。没有口径的 GameDay，复盘时只能定性说“系统变慢了”，无法回答“慢了多少？容量缺口多大？是否需要扩容？”。