4. 口径验证定义：什么是口径、口径不一致的常见原因、验证口径的必要性

在容量水位监控与 GameDay 演练中，口径（Metric Definition） 是连接原始数据与业务认知的桥梁。口径不一致会导致仪表盘展示虚假水位、触发错误告警、甚至误导故障定界。本节从定义、冲突根因、验证价值三个层面建立口径验证的认知基础。

4.1 什么是口径

口径是对一个可观测指标从数据来源、计算逻辑、聚合方式、时间窗口、标签维度五个维度的完整描述。同一个业务概念（如“CPU 使用率”）在不同团队、不同工具中可能对应完全不同的计算规则，这就是口径差异的来源。

4.2 口径不一致的常见原因

在跨团队协作、多数据源集成、以及 Grafana 仪表盘迭代过程中，口径冲突几乎必然发生。以下六类原因覆盖了 90% 以上的口径偏差场景：

1. 采集器版本或配置差异 — 同一主机使用不同 exporter 版本，或采集间隔不同，导致原始数据粒度不一致。
2. PromQL / SQL 计算逻辑分歧 — 例如 rate(metric[5m]) 与 irate(metric[5m]) 在突增场景下结果差异可达 30% 以上。
3. 聚合层级错位 — 一个仪表盘按 avg by(host) 聚合，另一个按 max by(region) 聚合，展示的水位含义完全不同。
4. 时间窗口与对齐策略不同 — 使用 $__interval 自动步长 vs 固定 1m 步长，在缩小时域时会产生锯齿偏差。
5. 标签命名或值格式不统一 — env=prod 与 environment=production 在 Grafana 模板变量中会被视为两个独立维度。
6. 业务语义漂移 — 同一指标在不同迭代周期被重新定义（如“内存使用率”从包含 cache 变为排除 cache），但仪表盘未同步更新。

4.3 验证口径的必要性

在 GameDay 演练中，容量水位口径验证不是可选项，而是演练结论可信度的前提条件。以下四个维度说明为什么必须将口径验证纳入演练准备流程：