1. 课程导论：事件驱动架构与 Exporter 自愈的概念、数据采集链路调优的重要性、课程目标与学习路径

1.1 事件驱动架构：从轮询到响应的范式转变

传统监控系统依赖固定周期的轮询（Polling）模型：Prometheus 每隔 15s 抓取一次 /metrics 端点。这种模型在指标稳定、规模可控时表现良好，但在高频变化、突发流量或故障场景下存在明显的延迟盲区。事件驱动架构（Event-Driven Architecture, EDA）将监控范式从“定时问”转变为“即时推”——当 Exporter 内部状态发生跃迁（如连接数超过阈值、证书即将过期、OOM 事件发生）时，主动发出事件信号，触发后续的数据采集、告警或自愈动作。

1.2 Exporter 自愈：从被动告警到主动修复

Exporter 自愈是指当 Exporter 本身出现故障（进程崩溃、端口被占用、采集脚本死锁、指标数据异常）时，系统能够自动检测、诊断并恢复 Exporter 的正常运行状态，无需人工介入。自愈剧本（Self-Healing Playbook）将事件驱动与自动化操作串联起来：

• 事件检测层： 通过健康检查探针、指标异常检测或日志模式匹配，发现 Exporter 异常。
• 诊断决策层： 根据事件类型匹配预定义的诊断规则（如进程是否存在、端口是否监听、响应时间是否超时）。
• 修复执行层： 执行重启、回滚配置、清理缓存、切换副本等自动化操作。
• 验证闭环层： 修复后再次检查 Exporter 状态，确认恢复后关闭事件，否则升级告警。

1.3 数据采集链路调优的重要性

一条完整的数据采集链路通常包含：目标系统 → Exporter → 事件通道 → 采集器 → 存储后端 → 可视化/告警。任何一个环节的延迟、丢数、格式错误或资源瓶颈，都会导致观测数据失真。调优的核心目标包括：

• 低延迟： 从事件发生到指标落库的时间窗口控制在秒级。
• 高可靠： 链路中无单点故障，Exporter 自愈能力覆盖 90% 以上常见故障。
• 可观测： 链路本身具备可观测性，能够追踪每个事件的采集、传输、处理状态。
• 低成本： 避免无效采集、重复采集和过度采样，降低计算与存储开销。

1.4 事件驱动 Exporter 自愈架构总览

下图展示了本课程的核心架构：事件源（Exporter 内部状态变化）通过事件总线分发至自愈引擎和采集链路，形成闭环反馈。

1.5 课程目标与学习路径

本课程面向具备 Prometheus 基础运维经验的 SRE、平台工程师和可观测性开发者。完成本课程后，你将能够：

• 设计事件驱动的 Exporter 架构： 在现有 Exporter 中嵌入事件探测与推送能力。
• 编写自愈剧本： 使用 Python/Go 实现诊断-修复-验证的自动化闭环。
• 调优数据采集链路： 识别并解决链路中的延迟、丢数、资源瓶颈问题。
• 构建链路可观测性： 对采集链路本身进行监控、追踪和告警。

1.6 课程章节地图

课程分为四大模块，共 30 章，循序渐进地从理论到实战：

1.7 学习建议与工具准备

为了获得最佳学习效果，请提前准备以下环境：

• 开发环境： Python 3.10+ / Go 1.21+，推荐使用 VS Code + Remote Container。
• 运行环境： Docker 24+、Kubernetes 1.28+（可选，用于容器化 Exporter 测试）。
• 监控栈： Prometheus 2.50+、Alertmanager 0.27+、Grafana 10+。
• 事件通道： Kafka 3.6+ 或 Redis 7+（Stream 模式）。
• 代码仓库： 每章配套代码位于 https://github.com/observability-course/exporter-self-healing。

建议按照“阅读章节 → 运行示例 → 修改实验 → 总结笔记”的节奏学习，每章预留 1-2 小时实践时间。