1. 课程导论与目标：为什么需要Prometheus驱动的容量压测？

1.1 传统容量压测的三大痛点

在微服务与云原生架构下，传统的“脚本录制 + 固定场景 + 离线分析”压测模式正面临严峻挑战。以下三个问题在SRE日常巡检中反复出现：

1.2 Prometheus驱动的容量压测：数据闭环

本课程提出的方案，核心是将Prometheus时序数据作为压测场景的“数据驱动源”，实现从生产监控到压测执行再到容量评估的自动化闭环。下图展示了这一架构的核心流程：

1.3 课程整体架构与学习路径

本课程共30章，分为四个阶段，从基础概念到高级编排，层层递进。下表展示了完整的课程模块与对应章节：

学习路径建议：SRE工程师应重点掌握第一阶段和第三阶段；性能测试专家可侧重第二阶段和第四阶段；Python开发者可关注脚本编排与优化部分。每章均包含可运行的代码示例与PromQL查询片段。

1.4 你将获得的核心能力

• 数据驱动思维： 学会用Prometheus时序数据替代硬编码参数，让压测场景“活”起来。
• 脚本编排能力： 掌握Python + Prometheus API的脚本框架，实现巡检任务的自动化编排与动态调度。
• 容量评估模型： 基于Prometheus历史趋势数据，建立服务容量预测与风险预警模型。
• 闭环自动化： 将压测、巡检、告警、扩缩容整合为一条自动化流水线，减少人工介入。

1.5 一个典型的巡检脚本编排示例

在进入后续章节前，先看一个简化的“数据驱动”巡检脚本片段，感受Prometheus数据如何驱动压测参数：

import requests
import json

# 1. 从Prometheus查询生产环境当前QPS
prometheus_url = "http://prometheus:9090/api/v1/query"
query = 'sum(rate(http_requests_total[5m]))'
response = requests.get(prometheus_url, params={'query': query})
current_qps = response.json()['data']['result'][0]['value'][1]

# 2. 根据QPS动态计算压测并发数（目标：1.5倍生产峰值）
target_concurrency = int(float(current_qps) * 1.5)

# 3. 生成压测配置
config = {
    "target_url": "http://service-b:8080/api",
    "concurrency": target_concurrency,
    "duration_sec": 120,
    "ramp_up_sec": 30
}

# 4. 触发压测任务（示例：调用压测引擎API）
requests.post("http://load-test-engine:5000/start", json=config)
print(f"已启动压测：并发 {target_concurrency}，持续 120s")