1. 课程导论：分布式事务与鉴权拦截在 Kubernetes 中的挑战、自动伸缩策略的重要性、课程目标与学习路径
1.1 分布式事务与鉴权拦截在 Kubernetes 中的核心挑战
在微服务架构全面拥抱 Kubernetes 的今天，分布式事务与鉴权拦截的落地面临着前所未有的复杂性。传统单体架构下的 ACID 事务和集中式鉴权模型，在云原生环境中被彻底解构，带来了三大核心挑战：
核心矛盾：Kubernetes 的弹性、动态性与分布式事务的强一致性、鉴权拦截的确定性之间存在天然张力。Pod 随时可能扩缩、重启或迁移，导致事务上下文丢失、鉴权凭证失效。
| 挑战维度 | 具体问题 | Kubernetes 环境下的放大效应 |
|---|---|---|
| 事务一致性 | 跨服务、跨数据库的分布式事务（Saga、TCC、2PC）在 Pod 重启或网络分区时容易陷入悬挂、空补偿或幂等问题。 | Pod 生命周期短、IP 动态变化，传统事务协调器难以追踪参与者状态。 |
| 鉴权拦截 | JWT 令牌过期、RBAC 策略变更、Sidecar 代理（如 Istio/Envoy）的鉴权规则热更新，导致合法请求被误拦截。 | 服务网格边车注入、多集群通信、零信任网络策略叠加，鉴权链路变长且状态分散。 |
| 资源竞争 | 事务重试风暴与鉴权回调风暴同时发生时，CPU/内存瞬时飙升，引发级联故障。 | HPA（Horizontal Pod Autoscaler）基于基础指标（CPU/内存）响应滞后，无法应对突发性事务/鉴权流量尖峰。 |
1.2 自动伸缩策略的重要性：从“被动响应”到“主动预测”
传统的 HPA 基于 CPU/内存阈值进行伸缩，在面对分布式事务的补偿重试、鉴权拦截的令牌刷新风暴时，往往已经发生性能劣化后才开始扩容。自动伸缩策略在以下三个层面成为关键：
- 事务吞吐量保障：通过自定义指标（如 Saga 协调器队列深度、未完成事务数）驱动 Pod 提前扩容，避免事务超时回滚。
- 鉴权拦截稳定性：基于鉴权失败率、令牌刷新请求速率等业务指标，动态调整鉴权服务实例数，防止拦截风暴导致服务雪崩。
- 资源成本优化：在低峰期自动缩容，避免为应对极端峰值而长期预留大量资源，实现 FinOps 目标。
关键洞察：自动伸缩策略不应仅关注“扩多少”，更应关注“何时扩”和“如何优雅缩”。分布式事务的补偿状态和鉴权会话的保持，要求缩容时必须进行连接排空和状态迁移。
1.3 课程目标与学习路径
本课程旨在培养学员在 Kubernetes 环境下，设计并实施面向分布式事务与鉴权拦截场景的自动伸缩策略的能力。课程采用“理论-实践-优化”三段式结构：
| 阶段 | 章节范围 | 核心产出 |
|---|---|---|
| 基础篇 | 第 1-8 章 | 掌握 Kubernetes 自动伸缩原理（HPA/VPA/CPA）、分布式事务模式（Saga/TCC）与鉴权拦截架构（OAuth2/JWT/Service Mesh） |
| 进阶篇 | 第 9-20 章 | 实现基于自定义指标（Prometheus Adapter/KEDA）的事务与鉴权伸缩策略，处理状态迁移、优雅缩容、多集群场景 |
| 实战篇 | 第 21-30 章 | 完成端到端项目：构建一个支持 Saga 事务补偿与 JWT 鉴权拦截的电商系统，并为其设计完整的自动伸缩方案 |
1.4 学习路径图
下图展示了本课程的知识体系与学习路径，从基础概念逐步深入到生产级实战：
前置要求：学员需具备 Kubernetes 基础操作能力（kubectl、Pod/Service/Deployment 概念）、了解微服务架构基本模式，并熟悉至少一种编程语言（Go/Java/Python）用于实验代码编写。