3. 应用行为特征概述：CPU密集型、内存密集型、IO密集型、混合型负载的特征识别

在弹性伸缩场景中，应用行为特征决定了伸缩策略的触发条件、资源分配优先级以及实例启动速度。不同负载类型的应用对 CPU、内存、磁盘 I/O 和网络 I/O 的消耗模式截然不同。本章将系统阐述四种典型负载类型的识别方法，帮助 SRE 工程师快速建立服务画像的底层认知。

3.1 负载类型分类矩阵

下表从资源消耗重心、典型瓶颈、伸缩敏感度三个维度，对四种负载类型进行横向对比：

3.2 CPU 密集型负载特征

CPU 密集型应用的核心特征是 CPU 使用率长期处于高位，而内存和 I/O 压力相对较低。这类应用的计算逻辑通常包含大量循环、浮点运算或加密操作。

• 关键指标：CPU 使用率 > 80%、上下文切换次数低（< 5000/s）、运行队列长度 > vCPU 数。
• 伸缩行为：增加实例数可线性提升吞吐量，但需注意 CPU 亲和性设置。
• 避坑提示：避免在 CPU 密集型容器中过度配置内存，否则会造成资源浪费。

3.3 内存密集型负载特征

内存密集型应用对 堆内存、缓存或大对象 有持续需求，典型表现是内存使用率随请求量线性增长，且 GC 频率显著上升。

• 关键指标：内存使用率 > 85%、GC 暂停时间 > 100ms、Swap 使用率 > 0。
• 伸缩行为：水平扩展受限于数据分片和缓存一致性，垂直扩展（增加单机内存）往往更有效。
• 避坑提示：内存密集型应用在弹性伸缩时，需设置 冷却时间 避免因 GC 抖动导致误缩容。

3.4 IO 密集型负载特征

IO 密集型应用的特征是 CPU 使用率不高但 IO 等待时间占比高。这类应用通常涉及大量磁盘读写或网络数据包处理。

• 关键指标：%wa > 30%、磁盘 IOPS 接近上限、网络吞吐量 > 1 Gbps。
• 伸缩行为：单纯增加实例数可能加剧 IO 争抢，需配合 IO 隔离（如 cgroup blkio）或使用 SSD。
• 避坑提示：IO 密集型应用对 实例启动速度 敏感，建议使用预置镜像或持久化卷快照加速。

3.5 混合型负载特征

混合型负载是生产环境中最常见的类型，其资源消耗模式会随请求类型、时间窗口或业务逻辑动态切换。例如，一个 Web 服务在接收请求时是网络 IO 密集型，在处理业务逻辑时转为 CPU 密集型，在写入日志时又变为磁盘 IO 密集型。

• 关键指标：多指标联合监控（CPU + 内存 + IO 等待）、资源使用率波动幅度大、锁竞争频繁。
• 伸缩行为：需要多维度的伸缩策略，例如基于 CPU 和内存的复合指标，或基于请求队列深度的自定义指标。
• 避坑提示：混合型负载的伸缩策略必须设置 多指标 AND/OR 规则，避免单一指标误触发。

3.6 负载类型识别流程图

下图展示了从原始监控数据到负载类型判定的决策流程，帮助 SRE 工程师快速建立服务画像：

3.7 实战：使用 eBPF 快速识别负载类型

在生产环境中，推荐使用 eBPF（Extended Berkeley Packet Filter）技术进行无侵入的负载类型识别。以下是一个基于 bcc 工具的快速诊断脚本示例：

#!/usr/bin/python
from bcc import BPF
import time

b = BPF(text="""
#include <uapi/linux/ptrace.h>

int trace_cpu(struct pt_regs *ctx) {
    u32 pid = bpf_get_current_pid_tgid() >> 32;
    u64 ts = bpf_ktime_get_ns();
    bpf_trace_printk("PID %d CPU sample\\n", pid);
    return 0;
}
""")

b.attach_kprobe(event="finish_task_switch", fn_name="trace_cpu")

print("开始采集 CPU 调度样本，按 Ctrl+C 退出...")
try:
    while True:
        (task, pid, cpu, flags, ts, msg) = b.trace_fields()
        print(f"[{ts}] CPU={cpu} {msg}")
except KeyboardInterrupt:
    print("采集结束")

3.8 负载类型与弹性伸缩策略映射

不同的负载类型需要匹配不同的伸缩策略，下表总结了推荐方案：

通过上述特征识别方法和工具链，SRE 工程师可以快速建立服务的资源消耗画像，为后续的弹性伸缩策略设计提供精确的数据支撑。