容量规划

1）什么是容量规划，为什么需要

能力规划（能力规划）是评估并提供以最低成本实现目标SLO所需资源的系统过程。它不仅涉及CPU/内存，还涉及网络吞吐量，存储，DB/kesh，事件队列/总线，外部提供商（付款/KUS/antifrod）以及人力资源（电话，支持）。

• 执行SLO/SLA甚至在高峰和降解。
• 尽量减少TCO和简单资本（过度投资）。
• 减少资源耗尽的事件风险（saturation → p99/错误）。
• 确保发布和活动（市场营销，锦标赛，顶级比赛）的可预测性。

2）输入和真相来源

可观察性：RPS/concarrentity，p50/p95/p99，error-rate，aturation（CPU，mem，disk IOPS，network pps/mbps），队列长度，rate限制。
商业活动：活动日历，季节性（晚上/周末/大型活动），地区/辖区。
Tehdolg/Fichi：路线图发布、体系结构更改（例如加密、新拼写）。
提供商：配额和通过支付/KUS/邮件/反欺诈服务。
过去的事件：瓶颈在哪里（DB，kesh，L7平衡器，总线，CDN，磁盘）。

3）基本概念和公式

Headroom-容量库存：'headroom=（max_RPS −实际_RPS ）/max_RPS"。
峰值为20-40％（对于关键流）的目标值。
Aturation-占用资源与可用资源的关系（CPU% 、内存/GC、连接、文件描述器、IOPS、队列深度）。
Throughput是稳定的-p99和error-rate执行长时间SLO（非一次性激增）的速度。
Capacity Unit（CU）是该服务的配给功率单位（例如X RPS每个pod vCPU=1，RAM=2 GiB）。
系统限制为max，无降解："N_pods × CU"。重要的是要考虑共享的依赖性（DB/kesh/总线）。

4）需求模型： 预测

统计排名：每周/每日季节性，假期，体育决赛，区域高峰。
队列：按国家/地区、支付提供商、设备、VIP细分市场。
事件三角洲：运动/枪支/发行版/SEO的影响。
"如果"（场景规划）：晚上7点至晚上10点的流量增加50％；提供商A的下降→重新分配到B（对潜伏期增加30％）。
实时调整：不按主要指标（重振会议，排队比赛，篮子）进行调整。

5）句子模型： 链条"断裂"的地方

请求管道：Edge/CDN → L7平衡器→应用程序→ kesh → DB →外部API →队列/总线→ 处理程序/ETL。

• 容量（CU/实例）、可扩展性（Horizo​​n/Vertic）。，极限（连接，pps，IOPS），滞后。
• 拒绝政策（利率限制，电路突破，退化）。
• SLO是本地的，它们对e2e-SLO的贡献。

6）错误库存和预算

我们将头部与错误预算联系起来：预算减少→库存增加。
对于关键流（付款/验证）-上面的头部，对于次要流-下面的头部。
寒冷/温暖储备：在高峰/事故中激活。

7）缩放： 战术

HPA（按负载度量）：RPS，latency，队列长度，定制SLI（优于CPU％）。
VPA：调整podam资源（与stateful和p99 GC）。
KEDA/适配器：按外部源（Kafka lag, Redis list length, CloudQueue depth）进行缩放。
Warm pools/加热：提前举起实例以避免寒冷的开始。
"加载代码"方法：对自动轨道/限制/定时器/转发策略进行验证并进行审查。

8）队列，后压和尾部控制

目的是防止p99的雪崩状生长。
限制并发性和队列大小，引入时间窗口和幂等性。
Hedging/Retry-budget：限制用户和系统的总体时间预算。
Graceful degradation：在超载时关闭次要幻灯片。

9） DB、Keshi和Storage

DB：连接限制，日志/FSync，索引，查询计划，replica lag，热键/表，事务的max TPS。
Keshi：按细分得分，释放/残障时的"错过风暴"，按键分配。
Storaj： IOPS/throughput,延迟,压缩,TTL,清理旧批次/快艇。
迁移模式：expand→migrate→contract没有停止锁定。

10）事件流和ETL

Kafka/总线：批量吞吐量，lag，ISR，compaction，生产商/消费者限制。
ETL/batchi：启动窗口、运行时间预算、对原木的影响（throttle I/O）。
对于临界浮动（付款/资产负债表），相同性和异常性。

11）网络和外围

L4/L7平衡器：连接极限,syn backlog, TLS offload, session reuse。
CDN/Edge：带宽、缓存策略以减少起源负载。
网内限制：VPC/子网中的 pps/mbps，egress成本（FinOps）。

12）多区域，DR和辖区

策略：主动（GSLB/Anycast），主动（热/热/冷DR）。
N+1按地区分列：在保持SLO核心流的同时忍受AZ/地区的损失。
法律本地化：按国家/地区划分流量/数据，不同的限制以及每个提供商的SLO。
DR测试：具有实际负载转移的常规游戏日。

13）外部提供商： 配额和路线

付款/KYC/antifrod/邮件/SMS：TPS配额，爆发，日限。
多供应商：潜能/成功路由,SLO按供应商,自动收件人。
SLA合同：合规e2e-SLO，升级渠道，状态网络手册。

14） FinOps： 成本和效率

TCO：compute+storage+network egress+许可证/提供商+值班。
单位经济学：1k 请求/1存款交易/1 KYC的成本。
优化：右对齐,现货/前缀折扣,高速缓存命中,登录/跟踪,冷存储级别。
时移负荷：在"夜间"窗口和廉价区域不关键的战斗。

15）Dashbords和报告（最低招聘）

Capacity Overview:

当前负载vs持续的链路通过。
按服务和地区分列的Headroom；预计24/72小时。
KPI FinOps：$/1K查询，$/存款。

Risk & Hotspots:

顶部瓶颈（p99, saturation, lag）, DR.

Providers:

提供商的成功/潜伏期和限制；路线上的流量份额。

Backlog:

升级计划/指数/优化计划,预期节省/容量增长。

16）流程和角色

RACI：平台（infra/cluster/balancer），DB/Data（索引，复制），服务命令（分析/缓存），SRE（SLO，Alerta），Sec/Compliance（加密/日志），财务（预算）。
节奏：每周能力审查（路线图，预测，风险），每月FinOps摘要，每季度DR测试。
更改管理：大型活动/发布通过机会门（下表）。

17）发行和活动支票清单（capacity-gate）

• 高峰负荷预测和"+x％紧急尾巴"。
• 用于核心流（付款/CUS/登录）的可用头顶。
• 向提供者确认配额；备用路由处于活动状态。
• HPA/KEDA阈值和warm-pool设置。
• 队列/限制和降级得到验证（花花公子准备就绪）。
• 金丝雀股份和自动回滚包括在内。
• Dashbords/Alerta （burn-rate, saturation, p99）已验证。
• DR计划和升级联系是相关的。

18）反模式

"CPU <70％-一切都很好"：忽略依赖性限制（DB连接，IOPS，队列）。
没有按链接度量的集中式"黑匣子"-无法理解限制的位置。
缺少缓存策略-释放失败会杀死起源。
没有预算的撤退限制的硬码是一场查询风暴。
"一个支付提供商"是高峰期的故障点。
忽视温暖的储备是事件的起因。
没有定期的DR测试-该计划在需要时不起作用。

19）迷你计算（示例）

服务X：每波德350 RPS的可持续性（vCPU=1, RAM=2 GiB）。目标是5,000 RPS，头部25％。

所需功率='5000/0。75 = 6667 RPS`.

Podov='ceil（6667/350）=20'。另外，warm-pool 15% → 3 pod。

DB： 12k TPS限制，当前信用9k TPS，高峰预测10。5k TPS →库存1.5k (14%).需要：索引/sharding/副本或缓存以降至 8。5k.

提供商A （KYC）：配额120 rps，峰值95 rps，活动+40% → 133 rps>配额→路由70% A/30% B。

20）实现能力规划模板

1.描述e2e路径和瓶颈。
2.引入CU并测量每个层的稳定通量。
3.在所有链接上配置静止度和p99度量。
4.形成事件/活动/发布日历。
5.构建队列和"如果"脚本的预测。
6.固定对流和对流区域（绑定到错误预算）。
7.设置HPA/VPA/KEDA+warm-pools、限制/转发/队列。
8.检查提供商配额,启用多条路由。
9.收集减速板和每周的节奏能力评论。
10.每季度-DR演习和模型修订。

21）结果

容量规划是一组可管理的预测，架构限制和成本，而不是"增加CPU"。当每个e2e路径层都具有测得的容量，并且头部和降解策略与SLO和错误预算相关联时，峰值负载，活动和事故不再令人惊讶。这种方法可以降低事故风险，稳定业务指标并优化成本。