1. 课程导论：服务画像的定义、在弹性伸缩中的核心价值、课程整体架构与学习目标
1.1 什么是服务画像？
服务画像（Service Profiling）是对运行中的应用系统进行多维度特征提取与建模的过程。它并非简单的监控指标堆砌，而是通过结构化方法将服务的资源消耗模式、流量特征、依赖关系和性能边界抽象为一组可量化的行为模型。在弹性伸缩场景中，服务画像是决策引擎的“感知层”——没有准确的画像，伸缩策略就如同盲人摸象。
核心认知：服务画像 ≠ 监控仪表盘。监控告诉你“现在发生了什么”，画像则回答“服务在什么条件下会如何表现”。前者是数据，后者是模型。
1.2 服务画像的核心构成维度
| 维度 | 描述 | 典型指标 |
|---|---|---|
| 资源消耗特征 | CPU、内存、网络、磁盘的时变曲线与比例关系 | CPU利用率、内存驻留集、IOPS、网络吞吐 |
| 流量行为特征 | 请求到达模式、并发连接数、请求大小分布 | QPS、P50/P99延迟、请求体大小分位数 |
| 依赖拓扑特征 | 上下游服务调用关系、中间件与数据库依赖 | 调用链深度、外部依赖延迟、错误传播率 |
| 弹性边界特征 | 服务在压力下的拐点、扩容收益递减阈值 | 最大有效并发、线性扩展系数、抖动起始点 |
1.3 服务画像在弹性伸缩中的核心价值
弹性伸缩的本质是资源供给与业务负载的动态匹配。服务画像在其中扮演三个关键角色：
- 感知精度提升：基于画像的伸缩触发条件比固定阈值更敏感、更准确。例如，通过内存增长速率而非值来预判OOM风险。
- 伸缩决策优化：画像中的弹性边界特征直接指导扩容步长与冷却时间。线性扩展系数为0.8的服务，扩容2倍只能获得1.6倍吞吐，需要更激进的步长。
- 成本与稳定性平衡：画像能识别“无效扩容”——当服务已达吞吐瓶颈（如数据库连接池耗尽），继续增加实例只会增加成本而非性能。
关键数据：在大型电商促销场景中，基于服务画像的弹性伸缩相比固定阈值策略，资源浪费降低约35%，同时SLA达标率提升12%（来源：某头部云厂商生产环境统计）。
1.4 服务画像与弹性伸缩的关系模型
下图展示了服务画像在弹性伸缩闭环中的位置与数据流向：
1.5 课程整体架构
本课程共分为六个模块，从基础概念到生产实践逐层递进：
| 模块 | 章节范围 | 核心内容 |
|---|---|---|
| 模块一：基础篇 | 第1-5章 | 服务画像定义、指标采集体系、数据预处理与特征工程 |
| 模块二：建模篇 | 第6-12章 | 资源消耗模型、流量行为模型、依赖拓扑模型、弹性边界模型 |
| 模块三：验证篇 | 第13-17章 | 画像准确性评估、压力测试验证、异常场景鲁棒性 |
| 模块四：集成篇 | 第18-23章 | 与Kubernetes HPA集成、自定义伸缩器开发、策略编排 |
| 模块五：实战篇 | 第24-28章 | 电商大促、实时流处理、离线批处理等场景案例 |
| 模块六：进阶篇 | 第29-30章 | AI驱动的动态画像、多服务联合优化 |
1.6 学习目标
完成本课程后，你将具备以下能力：
- 理解层：掌握服务画像的四大核心维度及其在弹性伸缩中的映射关系。
- 建模层：能够独立构建至少两种常见服务类型（如无状态Web服务、有状态缓存服务）的行为特征模型。
- 验证层：设计画像质量评估方案，识别模型偏差并迭代优化。
- 实践层：将服务画像集成到Kubernetes HPA或自定义伸缩器中，实现生产级弹性伸缩。
- 优化层：在复杂场景（突发流量、资源争抢、级联故障）下保持伸缩策略的稳定性与成本效益。
前置要求：建议学习者具备基础的Kubernetes使用经验，了解Pod、Deployment、HPA等核心概念，并熟悉至少一种监控系统（如Prometheus）。本课程不涉及基础语法教学。
1.7 课程知识图谱
下图展示了各模块之间的依赖关系与学习路径：