3. 容量规划基础：传统容量规划方法（峰值法、趋势法）的优缺点，以及为何需要引入画像
在进入服务画像驱动的容量规划之前，必须先理解传统方法的局限。传统容量规划主要依赖两种方法：峰值法和趋势法。它们在过去单体架构时代发挥了重要作用，但在微服务、弹性伸缩的云原生环境下，其缺陷日益凸显。
3.1 传统方法一：峰值法
核心逻辑：以历史周期内的最大资源使用量为基准，乘以一个安全系数（如 1.5x 或 2x），作为容量配置的依据。
| 维度 | 说明 |
|---|---|
| 优点 |
|
| 缺点 |
|
典型反例：某社交应用按“春节红包”峰值配置全年资源，导致日常 CPU 利用率低于 10%，年资源浪费超过 200 万元。
3.2 传统方法二：趋势法
核心逻辑：基于时间序列分析（如线性回归、指数平滑），根据历史数据预测未来资源需求。
| 维度 | 说明 |
|---|---|
| 优点 |
|
| 缺点 |
|
关键洞察：趋势法在“稳态”业务中有效，但在“突变型”业务（如营销活动、病毒传播）中，预测误差可能超过 50%。
3.3 传统方法的共同缺陷
无论是峰值法还是趋势法，都共享以下三个根本性问题：
- 黑盒视角：只观察集群的“外部”指标（CPU、内存、QPS），无法理解服务内部的资源消耗结构。
- 静态假设：假设资源消耗与流量呈线性关系，忽略了代码变更、配置调整、依赖服务抖动带来的非线性变化。
- 缺乏上下文：不知道“为什么”需要这么多资源——是业务增长？代码低效？还是外部依赖变慢？
3.4 为何需要引入“服务画像”？
服务画像（Service Profiling）正是为了解决上述问题而提出的。它将容量规划从“黑盒预测”升级为“白盒建模”。
下图展示了传统方法与画像驱动方法的本质区别：
3.5 服务画像的核心价值
引入服务画像后，容量规划从“预测资源量”转变为“理解资源消耗模式”。具体价值体现在：
| 传统方法痛点 | 画像驱动解决方案 |
|---|---|
| 黑盒：不知道资源消耗来源 | 白盒：按接口、实例、线程、依赖服务分解资源消耗 |
| 静态：假设线性关系 | 动态：建立非线性模型，识别拐点和瓶颈 |
| 滞后：依赖历史数据 | 实时：结合实时画像，快速感知异常变化 |
| 粗粒度：集群级指标 | 细粒度：实例级、接口级、代码级画像 |
| 成本效率低：过度配置 | 精准配置：按需分配，弹性伸缩更高效 |
实践建议：在引入画像的初期，不要完全抛弃传统方法。可以将峰值法作为“安全上限”，将趋势法作为“基线预测”，而将画像作为“精细调整”的依据。三者结合，形成“三层容量规划模型”。