1. 课程导论：GameDay 演练背景、容量水位口径验证的重要性、课程目标与受众
1.1 GameDay 演练背景
在云原生与微服务架构下，系统容量管理面临前所未有的挑战。传统的“峰值预估 + 静态扩容”模式已无法应对流量突增、资源争抢、级联故障等复杂场景。GameDay 演练（又称“混沌工程演练”或“故障注入演练”）正是为了主动暴露容量短板而设计的常态化机制。
GameDay 的核心目标并非“制造故障”，而是通过受控的、可观测的容量压测与资源争抢实验，验证系统在真实负载下的容量水位阈值与弹性伸缩策略是否有效。每一次 GameDay 演练都应回答三个关键问题：
- 当前水位：系统在正常/峰值负载下的资源消耗基线是多少？
- 瓶颈点：哪个组件（CPU、内存、连接池、磁盘 IO）最先达到容量上限？
- 安全余量：从触发告警到实际故障之间，还有多少缓冲时间与资源空间？
行业实践参考： Netflix 的 Chaos Monkey、AWS 的 GameDay 工具包、以及国内头部互联网公司的“红蓝对抗”均采用类似机制。Grafana 仪表盘作为统一的可观测性界面，是 GameDay 演练中“实时水位监控”与“事后复盘分析”的核心载体。
1.2 容量水位口径验证的重要性
在 GameDay 演练中，容量水位口径是指衡量系统资源使用状态的标准度量方式。不同团队、不同工具、不同时间窗口下，同一系统的“水位”可能得出截然不同的结论。口径不统一，会导致以下典型问题：
| 问题场景 | 错误口径示例 | 正确口径要求 |
|---|---|---|
| CPU 利用率 | 取 5 分钟平均值，忽略毛刺 | 取 1 分钟 P99 峰值 + 持续时长 |
| 内存水位 | 仅看 RSS（常驻内存） | RSS + Page Cache + Swap 使用率 |
| 连接池水位 | 活跃连接数 / 最大连接数 | 活跃 + 空闲 + 等待队列深度 |
| 磁盘 IO 水位 | IOPS 值 | IOPS + 延迟 P99 + 队列长度 |
口径验证是指在 GameDay 演练前、中、后三个阶段，通过 Grafana 仪表盘对上述度量口径进行一致性检查与阈值校准。只有经过验证的口径，才能作为容量决策的可靠依据。
常见误区： 很多团队直接使用云厂商默认的监控指标（如 AWS CloudWatch CPUUtilization）作为容量水位依据，但默认指标往往经过平滑处理，会掩盖真实尖刺。口径验证就是要识别并修正这类“假安全”指标。
1.3 课程目标与受众
本课程旨在帮助 SRE、可观测性工程师、平台架构师掌握一套基于 Grafana 仪表盘的 GameDay 演练容量水位口径验证方法。完成本课程后，学员将能够：
- 设计：为 GameDay 演练设计多维度、多粒度的容量水位仪表盘。
- 验证：通过对比实验与历史回放，验证所选口径的准确性与敏感性。
- 自动化：将口径验证流程集成到 CI/CD 或演练编排工具中。
- 复盘：利用 Grafana 的注释、变量、告警规则进行演练后复盘与口径迭代。
目标受众：
- SRE / 运维工程师：负责系统容量规划与故障演练。
- 可观测性平台工程师：负责监控体系与仪表盘建设。
- 架构师 / 技术负责人：需要制定容量标准与演练规范。
- QA / 测试工程师：参与混沌工程与压力测试的容量评估。
1.4 课程核心概念关系图
下图展示了 GameDay 演练、容量水位口径、Grafana 仪表盘三者之间的核心关系：
1.5 课程内容概览
本课程共分为 8 个模块，从基础概念到实战落地，逐步深入：
| 模块 | 核心内容 | 关键产出 |
|---|---|---|
| 1. 导论 | GameDay 背景、口径验证重要性、课程目标 | 理解课程定位与价值 |
| 2. 容量水位指标体系 | CPU/内存/IO/网络/连接池的黄金指标 | 口径定义清单 |
| 3. Grafana 仪表盘设计 | 多维度面板、变量、注释、告警规则 | 可复用的仪表盘模板 |
| 4. 口径验证方法 | 对比实验、历史回放、敏感性分析 | 验证流程与脚本 |
| 5. 演练实战案例 | 电商大促、数据库连接池、消息队列积压 | 完整演练报告 |
| 6. 自动化集成 | 与 CI/CD、演练编排工具集成 | 自动化流水线 |
| 7. 复盘与迭代 | 演练后复盘、口径优化、仪表盘演进 | 复盘模板与迭代机制 |
| 8. 总结与最佳实践 | 常见陷阱、团队协作、持续改进 | 行动清单 |
课程前置要求： 学员需具备基础的 Grafana 操作经验（如创建仪表盘、配置数据源、设置告警），了解 PromQL 或 SQL 查询语法。无需 GameDay 演练经验，课程会从零讲解演练流程与口径验证方法。