3. 自愈剧本原理：事件驱动自愈、剧本触发条件、剧本执行流程、回滚机制

自愈剧本是 SLO 自愈体系的核心执行单元。它接收可观测性平台发出的事件信号，按照预定义的触发条件进行匹配，然后执行一系列自动化操作，并在失败时触发回滚。理解剧本的完整生命周期，是提升自愈精准度的关键前提。

3.1 事件驱动自愈模型

自愈剧本采用事件驱动架构，而非轮询或定时检查。当 SLI 采集链路检测到指标异常并生成告警事件后，事件总线将事件推送给订阅了该事件类型的剧本引擎。这种模型具备低延迟、高扩展性和松耦合的特点。

3.2 剧本触发条件

触发条件是剧本的“准入控制”。一个事件是否触发剧本执行，需要经过多层条件校验，避免误触发或无效执行。

3.3 剧本执行流程

一个标准的自愈剧本执行流程包含 5 个阶段：事件接收、条件校验、动作编排、执行确认、结果反馈。每个阶段都有明确的输入输出和错误处理逻辑。

3.3.1 动作编排示例

动作编排是剧本的核心逻辑，通常包含多个步骤。以下是一个典型的“Pod 重启”剧本的动作编排示例：

# 自愈剧本：Pod 重启恢复
# 触发条件：error_budget_burn & service=payment & severity=P0

steps:
  - name: "获取异常 Pod 列表"
    action: kubernetes.get_pods
    params:
      namespace: "payment"
      label_selector: "app=payment-service"
      status: "CrashLoopBackOff|Error"

  - name: "执行 Pod 重启"
    action: kubernetes.delete_pod
    params:
      pod_name: "{{ steps.get_pods.result[0].name }}"
      namespace: "payment"
    timeout: 30s

  - name: "等待 Pod 恢复"
    action: kubernetes.wait_for_pod_ready
    params:
      pod_name: "{{ steps.delete_pod.result.name }}"
      namespace: "payment"
      timeout: 120s

  - name: "验证 SLI 恢复"
    action: sli.check_health
    params:
      service: "payment"
      metric: "latency_p99"
      threshold: "< 200ms"
    timeout: 60s

3.4 回滚机制

回滚是自愈剧本的安。当剧本执行过程中出现任何步骤失败、超时或验证不通过时，必须触发回滚操作，将系统恢复到执行前的状态。

3.4.1 回滚策略设计原则

• 幂等性： 每个动作和回滚动作都必须是幂等的，多次执行结果一致。
• 原子性： 要么全部执行成功，要么全部回滚，不允许部分生效。
• 可观测性： 回滚过程必须记录详细日志和指标，便于事后分析。
• 人工兜底： 对于高风险操作，回滚后应自动通知 SRE 介入确认。

3.5 剧本生命周期总结

自愈剧本从事件触发到回滚完成，形成一个完整的闭环。理解这个闭环，有助于我们在设计 SLI 采集链路时，确保事件数据的完整性、时效性和准确性，从而提升自愈剧本的精准度。