1. 课程导论：弹性伸缩的背景与挑战、服务画像的概念引入、SLA在弹性伸缩中的核心地位

1.1 弹性伸缩的背景与核心挑战

在云原生架构中，弹性伸缩（Auto Scaling）是保障业务连续性与成本效率的核心手段。然而，实际生产环境中的伸缩决策远比“CPU > 80% 就扩容”复杂得多。错误的伸缩策略可能导致服务雪崩、资源浪费或SLA违约。

当前弹性伸缩面临的主要挑战包括：

• 指标单一化： 仅依赖CPU/内存等基础指标，无法反映真实业务负载。
• 启动延迟： 实例启动、注册、预热需要时间，伸缩动作存在滞后效应。
• 流量突发： 秒级流量尖峰可能导致扩容来不及完成，造成请求超时。
• 状态依赖： 有状态服务的伸缩涉及数据迁移、会话保持等复杂问题。
• 成本失控： 缺乏精细化策略，导致非高峰时段资源冗余。

1.2 服务画像：从“黑盒”到“可量化特征”

服务画像（Service Profiling）是指通过多维度的特征提取，将服务的运行时行为、资源依赖、流量模式等抽象为一组可量化的标签与指标集合。它解决了传统弹性伸缩中“所有服务一视同仁”的粗粒度问题。

1.3 SLA在弹性伸缩中的核心地位

服务等级协议（SLA）是弹性伸缩的“北极星指标”。没有SLA约束的伸缩，本质上是资源层面的被动响应；只有将SLA嵌入伸缩决策，才能实现业务驱动的主动弹性。

SLA在弹性伸缩中扮演三个关键角色：

1. 目标定义： 明确“什么样的伸缩是成功的”。例如：P99延迟 < 200ms，错误率 < 0.1%。
2. 触发校准： 将SLA指标（如吞吐量、响应时间）作为伸缩触发的主信号，而非仅依赖CPU。
3. 效果评估： 每次伸缩动作完成后，通过SLA达成率衡量本次伸缩的有效性，形成反馈闭环。

1.4 传统伸缩 vs 基于服务画像的SLA驱动伸缩

1.5 课程核心脉络

本课程将围绕以下主线展开：

• 画像建模： 如何从多维度构建服务画像，并建立画像与伸缩行为的映射关系。
• SLA定义： 基于服务画像，为不同服务定义差异化的SLA目标与容忍区间。
• 监控体系： 构建覆盖SLA指标、画像特征、伸缩动作的全链路监控。
• 策略引擎： 设计将SLA与画像融合的伸缩决策算法。
• 运营闭环： 通过SLA达成率反馈，持续优化画像与伸缩策略。

通过本课程的学习，你将掌握一套从“被动资源伸缩”到“主动业务弹性”的完整方法论，让弹性伸缩真正服务于SLA承诺。