2. 核心概念：服务画像的定义、构成要素与容量规划的关系

在弹性伸缩场景中，容量规划的核心挑战在于：如何在不预知未来流量形态的前提下，为服务分配恰好满足性能目标的最小资源。传统基于“峰值 + 冗余”的静态规划方法，在面对突发流量、微服务拓扑变化和云资源计费粒度时，往往导致严重的成本浪费或频繁的扩缩容震荡。

服务画像（Service Profiling） 正是为解决这一矛盾而提出的方法论。它并非单一指标，而是对服务运行特征的多维度、结构化描述，是连接观测数据与容量决策的中间层抽象。

2.1 服务画像的定义

服务画像是指：通过持续采集、聚合与分析服务的运行时数据，提炼出能够表征其资源消耗模式、行为特征与外部依赖关系的结构化模型。该模型为容量规划提供可量化的输入，使得弹性伸缩策略从“基于阈值的被动响应”升级为“基于画像的主动预测”。

2.2 服务画像的三大构成要素

服务画像由三个相互独立又彼此关联的子画像构成：资源画像、行为画像 与 依赖画像。三者共同覆盖了容量规划所需的全部信息维度。

2.2.1 资源画像

资源画像回答“服务需要多少硬件资源”这一基础问题。它通常通过操作系统级指标和容器运行时指标来构建。在弹性伸缩场景中，资源画像需要区分稳态资源消耗与瞬态资源消耗：

• 稳态消耗： 服务在正常负载下持续占用的资源基线，用于确定最小实例数。
• 瞬态消耗： 服务在启动、预热、GC 或突发流量时的资源尖峰，用于设定弹性上限与缓冲区间。

2.2.2 行为画像

行为画像关注服务在时间维度上的动态特征，尤其是与弹性伸缩直接相关的行为模式：

• 启动与预热行为： 从容器创建到服务就绪的时间、预热期间 CPU/内存的额外消耗。
• 请求处理模式： 请求到达的周期性（如秒杀、定时任务）、并发连接数的变化曲线。
• 扩缩容响应行为： 服务对资源变化的敏感度——增加实例后延迟下降的速度、减少实例时连接排空的时间。

行为画像直接决定了弹性伸缩策略中的冷却时间、步长与稳定窗口等关键参数。

2.2.3 依赖画像

在微服务架构中，单个服务的容量规划不能脱离其上下游依赖。依赖画像刻画了服务与外部组件之间的调用拓扑与容量传导关系：

• 上游依赖： 哪些客户端调用本服务？它们的 QPS 分布与容错策略（重试、熔断）会如何放大本服务的负载？
• 下游依赖： 本服务调用了哪些数据库、缓存、消息队列或其他微服务？下游的瓶颈是否会反向阻塞本服务的扩容效果？
• 共享依赖： 多个服务共享的组件（如数据库连接池、Redis 集群）是否存在容量争抢？

2.3 服务画像与容量规划的关系

服务画像不是容量规划的最终输出，而是其核心输入与校准依据。二者之间的关系可以概括为以下流程：

1. 画像构建： 通过 APM、Metrics、Logs 等观测数据，生成服务的资源、行为与依赖画像。
2. 基线确定： 基于画像数据，计算服务在正常负载下的资源基线（如“单实例可承载 500 QPS，P99 延迟 < 100ms”）。
3. 策略生成： 将基线转化为弹性伸缩策略的阈值、步长、冷却时间等参数。
4. 动态校准： 在每次扩缩容事件后，对比实际效果与画像预测，更新画像模型。

下图展示了服务画像如何作为容量规划决策的中间层，将原始观测数据转化为可执行的弹性策略：

2.4 画像驱动的容量规划优势

与传统基于固定阈值的容量规划相比，服务画像驱动的方法具有以下显著优势：