架构与系统设计 / 知识点
系统设计组件与容量估算速查
扩展与分片判断
通过增加服务实例分摊无状态或可分区工作负载,适合吞吐随实例数增长的服务;共享状态、数据库瓶颈和热点资源可能限制线性扩展。
水平扩容
当单实例吞吐、并发或可用性不足,并且工作负载能在多个实例间分配时,优先检查是否适合水平扩容。核心不是简单增加机器,而是确认新增实例能真正分担瓶颈。
怎么判读
| 线索 | 含义 | 建议动作 |
|---|---|---|
| 服务无状态或状态已外置 | 请求可由多个实例独立处理 | 增加实例并通过负载均衡分流 |
| CPU 或请求处理能力是主要瓶颈 | 新实例通常可以增加总处理能力 | 逐步扩容并观察吞吐与延迟变化 |
| 数据可按键分区 | 工作负载可拆到多个节点 | 设计稳定的分片键并控制热点 |
| 数据库或共享存储已饱和 | 应用实例增加后仍受共享资源限制 | 先处理下游瓶颈,不要继续盲目加实例 |
| 少数键或租户占据大量流量 | 总容量充足也可能出现局部过载 | 识别热点并采用拆分、隔离或专门路由 |
扩容关系

理想情况下,实例数增加后总吞吐随之增长,但真实系统通常会受到数据库、缓存、消息系统、网络带宽、锁竞争和热点数据限制。因此容量测试应同时观察应用层和共享依赖,而不是只看实例 CPU。
建议动作
先确认请求是否可以安全分配到任意实例,再检查会话、本地文件、进程内缓存和定时任务等隐含状态。状态无法外置时,增加实例可能引入一致性或重复执行问题。
扩容后比较吞吐、延迟、错误率以及数据库和缓存等下游资源利用率。如果实例增加而总吞吐几乎不变,应沿请求链寻找已经饱和的共享资源,而不是继续增加实例。
适用范围
这一判断适用于无状态服务、消费者集群以及能够合理分区的工作负载。具体扩容上限取决于应用架构、负载均衡方式、数据分布和下游系统容量,不能仅依据实例数量估算。
通过增加单节点 CPU、内存或磁盘能力提升容量,改造成本通常较低;受硬件上限、故障域和成本曲线约束,不应被视为无限扩展方案。
垂直扩容
当容量瓶颈集中在单节点,而应用暂时不适合拆分或增加实例时,可以先评估垂直扩容。它通过提升单机 CPU、内存、存储或 I/O 能力换取容量,通常改造较少,但存在明确上限。
怎么判读
| 线索 | 含义 | 建议动作 |
|---|---|---|
| CPU 长期接近饱和且任务可利用更多核心 | 计算资源可能是主要瓶颈 | 增加 CPU 后重新压测 |
| 内存不足导致频繁换页、回收或缓存淘汰 | 工作集超过当前内存容量 | 增加内存并验证命中率与延迟 |
| 存储容量或 I/O 达到节点限制 | 单机磁盘成为约束 | 升级存储规格并重新测量吞吐与延迟 |
| 应用难以多实例运行 | 水平扩容改造成本较高 | 将垂直扩容作为阶段性容量方案 |
| 已接近平台最大规格 | 后续升级空间有限 | 提前规划水平拆分或数据分区 |
容量边界
垂直扩容不会改变节点数量,因此通常不能缩小单节点故障域。更大的节点可以承载更多负载,但节点故障时受影响的容量也可能更集中;维护、重启和规格变更是否产生停机,则取决于具体基础设施平台。
随着规格提高,价格也不一定按 CPU、内存或存储容量线性增长。容量规划时应同时记录性能增益、成本变化和最大可用规格,避免把一次有效升级外推成无限扩展策略。
建议动作
先通过监控或压测定位真正饱和的资源,再只升级相关规格。升级完成后使用相同负载重新测量吞吐、延迟、资源利用率和错误率;如果性能没有明显改善,应检查锁竞争、串行执行、数据库查询或外部依赖等非硬件瓶颈。
适用范围
垂直扩容常用于单体应用、数据库节点以及短期需要快速增加容量且架构改造成本较高的场景。具体规格上限、在线变更能力和价格曲线属于云厂商或硬件平台特性,应以目标环境的实际规格与文档为准。
当单库写入、数据规模或资源上限成为持续瓶颈时,可按稳定分片键拆分数据;代价是跨分片查询、事务、迁移和热点治理更复杂。
数据库分片
当单库的写入吞吐、数据规模或资源上限已经成为持续瓶颈,并且纵向扩容或读副本无法解决问题时,再考虑数据库分片。判断重点不是“数据很多”,而是能否找到稳定分片键,并接受跨分片查询、事务和迁移成本。
怎么判读
| 线索 | 含义 | 建议动作 |
|---|---|---|
| 单库写入持续接近资源上限 | 写负载无法靠读副本分担 | 评估水平分片 |
| 数据量逼近单实例可接受容量 | 备份、恢复、索引维护等操作成本上升 | 按增长周期规划分片 |
| 请求天然按租户、用户等键聚合 | 大部分请求可命中单一分片 | 优先评估该键作为分片键 |
| 少数键贡献大量流量 | 存在热点风险 | 避免仅靠普通哈希掩盖热点,单独评估拆分策略 |
| 大量查询必须跨全部分片 | 分片会增加聚合与路由成本 | 先调整访问模式或数据模型 |
快速确认
下面的 SQL 用于确认候选分片键的分布。表名、字段名和阈值需要替换为目标数据库的实际值。
SELECT tenant_id, COUNT(*) AS row_count
FROM orders
GROUP BY tenant_id
ORDER BY row_count DESC
LIMIT 10;预期结果:返回数据量最大的 10 个 tenant_id。如果头部键远高于其他键,说明直接按该键分片可能形成热点;具体是否失衡应结合各键的请求吞吐而不是只看行数。
分片后的数据路径

理想路径是应用提供分片键,路由层只访问一个分片。若请求缺少分片键,就可能广播到多个分片;跨分片排序、聚合、唯一约束和事务也需要额外机制。
建议动作
先确认瓶颈确实来自单库容量或写入边界,再用真实数据和请求日志验证候选分片键的基数、分布和热点。设计时同时确定路由规则、跨分片查询方式、全局 ID、扩容迁移以及故障恢复方案。
适用范围
这里描述的是关系型数据库水平分片的通用判断框架。具体路由、事务、在线迁移和再平衡能力取决于数据库、中间件或自研分片层,不能把某一产品的行为视为通用标准。
根据总数据量、目标单分片容量和吞吐上限估算所需分片数,并为增长预留空间;不能只按磁盘容量计算,还需检查热点与请求分布。
分片数量估算
规划初始分片数时,同时按容量和吞吐计算最低需求,再取更严格的结果并预留增长空间。这个数字是容量规划起点,不应直接等同于最终物理数据库实例数。
怎么估算
若预计总数据量为 ,目标单分片可用数据容量为 ,总峰值吞吐为 ,目标单分片安全吞吐为 ,可先计算:
基础分片数至少满足 ,之后还要结合增长周期、热点和故障余量调整。
| 线索 | 含义 | 建议动作 |
|---|---|---|
| 容量计算结果更大 | 数据规模先触及边界 | 以容量需求作为下限 |
| 吞吐计算结果更大 | 请求负载先触及边界 | 以吞吐需求作为下限 |
| 少数分片键负载明显偏高 | 均匀分布假设失效 | 单独建模热点,不能只增加平均分片数 |
| 数据仍高速增长 | 当前下限很快失效 | 按规划周期加入增长余量 |
快速计算
下面脚本用假设输入演示计算过程。实际规划时应把容量和吞吐上限替换为压测或生产观测得到的安全值。
import math
total_data_tb = 12
target_shard_tb = 2
peak_qps = 18000
safe_qps_per_shard = 4000
by_capacity = math.ceil(total_data_tb / target_shard_tb)
by_throughput = math.ceil(peak_qps / safe_qps_per_shard)
minimum = max(by_capacity, by_throughput)
print(f"capacity={by_capacity}")
print(f"throughput={by_throughput}")
print(f"minimum={minimum}")预期输出:
capacity=6
throughput=5
minimum=6这个例子只能说明在给定假设下至少需要 6 个逻辑分片;它没有包含未来增长、热点、故障降级和再平衡余量,因此不能直接作为生产配置。
继续校验
确定基础数量后,用真实分片键分布估算最忙分片,而不是只验证平均值。还要检查峰值写入、索引膨胀、备份恢复时间、连接数以及单节点故障后剩余资源能否承受重新分配的负载。
适用范围
该方法用于系统设计阶段估算逻辑分片数量。单分片安全容量和安全吞吐没有跨数据库通用固定值,应由目标数据库版本、实例规格、索引结构、查询模式以及压测结果共同确定。
瓶颈与可靠性估算
用命中请求占缓存查询请求的比例衡量缓存实际拦截效果,并据此估算回源压力;总体命中率可能掩盖热点键、冷数据和不同接口的差异。
缓存命中率
需要判断缓存实际挡住了多少请求、后端还会承受多少回源流量时,先看缓存命中率。它适合做容量估算和运行期观测,但必须明确统计口径,不能只看一个全局百分比。
值与含义
命中率通常按请求数计算:,其中 是进入缓存查询的请求数, 是直接从缓存取得可用结果的请求数。
| 线索 | 含义 | 建议动作 |
|---|---|---|
| 命中率上升 | 更多缓存查询无需回源 | 结合后端 QPS 确认减载是否符合预期 |
| 命中率下降 | 未命中、过期或淘汰增加 | 按接口、键空间和未命中原因拆分 |
| 总体高但部分接口低 | 全局指标掩盖局部问题 | 分接口或业务维度统计 |
| 热点命中高、长尾低 | 访问分布明显不均 | 检查容量、TTL 与淘汰策略 |
快速估算
若进入缓存的查询流量为 20,000 QPS,按统一统计口径测得命中率为 95%,并假设每次未命中都会产生一次后端读取,则可估算回源读取 QPS。
cache_lookup_qps = 20000
hit_rate = 0.95
backend_read_qps = cache_lookup_qps * (1 - hit_rate)
= 1000预期结果:在上述假设下,约 1,000 QPS 会回源;若一次未命中会触发多次后端访问、请求合并或负缓存,不能直接使用这一结果代表真实后端 QPS。
判读线索
先确认分母究竟是全部业务请求、实际执行缓存查询的请求,还是某个缓存实例收到的请求。随后同时观察命中数、未命中数、回源 QPS、淘汰量和延迟,避免百分比因流量变化而产生误导。
建议动作
容量规划时用命中率把缓存查询流量转换为预期回源量,再给数据库或下游服务保留峰值和故障余量。运行期发现下降时,应先按接口、键空间、TTL、淘汰原因和时间窗口拆分,而不是直接扩大缓存。
适用范围:以上公式适用于按请求次数统计的简单命中率模型;具体监控指标名称、是否统计负缓存以及多级缓存的计数方式,以所用缓存产品和应用埋点定义为准。
根据缓存对象数量、平均对象大小及数据结构额外开销估算内存需求,并结合淘汰策略控制上限;不能直接用业务数据序列化大小代替实际占用。
缓存内存容量
需要判断缓存节点要配多少内存、目标数据集能否装下时,应把对象数据、键、缓存数据结构和实现开销一起估算。业务对象序列化后的字节数只能作为输入之一,不能直接等同于缓存进程的实际内存占用。
估算组成
基础估算可以写成 。其中 是计划驻留的条目数, 是单条目实际平均占用, 是为碎片、增长和估算误差预留的容量系数。
| 组成 | 估算时关注什么 | 建议动作 |
|---|---|---|
| Key 与 Value | 实际字节长度及长度分布 | 从代表性数据采样 |
| 数据结构开销 | 元数据、指针、对象头等 | 以目标缓存实现实测 |
| 内存碎片 | 已分配内存与有效数据的差异 | 观察产品提供的内存指标 |
| 运行余量 | 流量增长和短时峰值 | 不把容量规划到物理上限 |
| 淘汰策略 | 达到限制后的行为 | 明确是否允许逐出业务数据 |
快速估算
假设计划驻留 5,000,000 个条目,实测平均每条目总占用约 700 B,并暂以 1.25 的容量系数覆盖额外余量,可先得到规划量级。
entries = 5000000
bytes_per_entry = 700
reserve_factor = 1.25
estimated_bytes = entries * bytes_per_entry * reserve_factor
= 4375000000预期结果:估算约为 4,375,000,000 B,即约 4.38 GB(十进制)或 4.07 GiB(二进制)。这只是容量模型结果,不代表某一缓存产品实际会占用相同内存。
怎么校准
不要只抽取一条小对象作为平均值。应从真实键和值分布中采样,在与生产接近的数据结构、编码方式和软件版本下写入代表性数据,再读取缓存产品提供的实际内存占用指标,与业务数据字节数比较后校准单条目成本。
建议动作
先用条目数和实测平均占用得到数据集量级,再加入明确的运行余量,并检查达到内存上限后的淘汰行为。分片部署还要考虑数据分布不均:总容量足够并不代表每个节点都不会提前达到上限。
适用范围:该方法用于缓存容量的初步规划和实测校准;最终节点内存、产品内存限制与安全余量应以目标缓存实现、版本、部署拓扑和生产样本测量结果为准。
当生产速率持续高于消费速率时,用速率差与持续时间估算积压增长,可据此判断队列容量和追平时间;突发峰值应与长期消费不足区分。
消息积压量估算
当队列持续出现生产快于消费时,先用生产与消费的速率差估算积压增长,再结合允许的积压容量和恢复后的净消费能力判断是否需要扩容。
怎么估算
设生产速率为 条/秒,消费速率为 条/秒,持续时间为 秒。仅当 时,新增积压量可近似为 。
| 线索 | 含义 | 建议动作 |
|---|---|---|
| 且持续较久 | 消费能力长期不足 | 增加消费者或降低生产速率 |
| 仅峰值期间 | 短时突发流量 | 核对队列能否吸收峰值 |
| 峰值结束后 | 可以追平历史积压 | 计算净消化速率与追平时间 |
| 积压持续增长 | 系统没有进入恢复阶段 | 检查消费者、分区和下游瓶颈 |
例如生产速率为 12000 条/秒、消费速率为 9000 条/秒,持续 10 分钟,则速率差为 3000 条/秒,新增积压约为 1800000 条。
追平时间
恢复后若生产速率为 ,消费能力为 ,且 ,净消化速率为 。已有积压 的理论追平时间为 。
若已有 1800000 条积压,恢复期间生产保持 8000 条/秒、消费达到 11000 条/秒,则净消化能力为 3000 条/秒,理论上约需 600 秒,也就是 10 分钟追平。
判读与动作
先分别观察稳定期与峰值期的生产、消费速率,不要只取瞬时最大值。若积压只在峰值产生且随后能在目标时间内清空,重点校验队列容量;若稳定期也长期满足 ,增加队列容量只能推迟耗尽时间,应优先提升持续消费能力。
速率指标的名称、统计窗口以及积压量定义取决于具体消息系统和监控平台;计算前应确认指标表示瞬时速率、窗口平均值还是累计计数。
根据目标消费吞吐和单消费者稳定处理能力估算并行消费者数量,适合规划队列消费端扩容;实际并行度还会受分区数量和下游容量限制。
消费者数量估算
规划消费端扩容时,用目标消费吞吐除以单个消费者的稳定处理能力,可以得到理论并行消费者数量;随后还要用分区并行度和下游容量校验这个数字是否真正可用。
怎么估算
设目标消费吞吐为 条/秒,单消费者稳定处理能力为 条/秒,则理论消费者数量为 。这里应使用持续稳定吞吐,而不是短时间压测峰值。
| 线索 | 含义 | 建议动作 |
|---|---|---|
| 消费吞吐随消费者数量近似增长 | 当前仍有并行扩展空间 | 按目标吞吐继续估算实例数 |
| 增加消费者但吞吐不再增长 | 出现新的瓶颈 | 检查分区数、数据库和外部服务 |
| 活跃消费者少于部署数量 | 并行度可能受队列结构限制 | 检查分区或消息分配机制 |
| 下游延迟随扩容明显上升 | 消费端正在转移瓶颈 | 先核对下游容量与限流策略 |
例如目标吞吐为 20000 条/秒,一个消费者稳定处理 2500 条/秒,则理论上至少需要 8 个并行消费者。如果还希望预留故障或流量波动余量,应根据实际容量目标额外规划冗余,而不是把未经验证的固定比例当作通用标准。
并行度边界
消费者数量不等于有效并行度。对于按分区分配消费工作的消息系统,同一消费组能够同时处理的分区数量通常会形成重要上限;消费者超过可分配的并行单元后,新增实例可能处于空闲状态。具体行为应以所用消息系统及其消费模型为准。

校验顺序
先测得单消费者在真实消息大小、处理逻辑和下游依赖下的稳定吞吐,再计算理论数量。扩容后观察总消费吞吐是否按预期增长,同时检查分区利用率、处理延迟、错误与重试,以及数据库、缓存或外部 API 是否接近容量上限。
用目标峰值吞吐除以单实例经过压测验证的安全吞吐估算基础实例数,再考虑冗余与故障容量;不要使用理论 CPU 核数直接推导服务 QPS。
实例数量估算
在确定服务需要部署多少实例时,先用目标峰值吞吐与压测得到的单实例安全吞吐计算基础实例数,再检查故障冗余。这里的单实例能力应来自接近生产条件的压测,而不是按 CPU 核数推算。
怎么计算
基础估算可写成 ,其中 是目标峰值吞吐, 是单实例可长期承载的安全吞吐。向上取整后得到正常情况下至少需要的实例数。
| 输入 | 含义 | 取值线索 |
|---|---|---|
| 目标峰值吞吐 | 使用容量规划期望承载的峰值,而非日均值 | |
| 单实例安全吞吐 | 从压测中读取满足延迟、错误率和资源阈值时的吞吐 | |
| 基础实例数 | 除法结果向上取整 |
快速估算
例如目标峰值为 12,000 QPS,压测确认单实例在既定延迟和错误率目标下可安全承载 1,800 QPS:
import math
peak_qps = 12_000
safe_qps_per_instance = 1_800
instances = math.ceil(peak_qps / safe_qps_per_instance)
print(instances)预期输出:
7这表示正常容量至少需要 7 个实例,但还没有计入实例故障、可用区故障、滚动发布或突发余量。
怎么判读
| 线索 | 含义 | 建议动作 |
|---|---|---|
| 压测时 CPU 已接近目标上限 | 单实例继续增压的余量有限 | 使用该约束下的安全吞吐,不要外推理论 QPS |
| 延迟先于 CPU 恶化 | 瓶颈可能在数据库、锁、网络或下游 | 先定位瓶颈,再确定单实例安全吞吐 |
| 7 个实例刚好覆盖峰值 | 没有故障容量 | 继续计算失效实例后的剩余承载能力 |
适用范围
该方法适合吞吐可以按实例近似横向扩展的无状态或弱状态服务。若存在共享数据库、全局锁、分区热点、第三方限额等集中瓶颈,实例数增加并不保证吞吐同比增加,应以端到端压测结果校准。
容量规划应保证部分实例或节点失效后,剩余资源仍能承载目标流量;冗余水平取决于故障域、恢复时间和可接受的降级程度。
故障冗余容量
在基础实例数确定后,用故障场景重新计算剩余容量,确认实例、节点或故障域失效时服务是否仍能承载目标流量。冗余不是固定百分比,应由计划承受的故障规模和单实例安全吞吐反推。
怎么判读
| 线索 | 含义 | 建议动作 |
|---|---|---|
| 任意 1 个实例失效后仍有足够吞吐 | 具备单实例故障余量 | 再检查节点或可用区级故障 |
| 一个节点失效会同时损失多个实例 | 实例数量没有反映真实故障域 | 按节点失效规模重新计算 |
| 故障后剩余容量刚好等于峰值 | 没有流量波动和恢复余量 | 增加容量或定义明确的降级策略 |
快速确认
假设目标峰值为 12,000 QPS,每个实例的安全吞吐为 1,800 QPS,计划部署 9 个实例,并要求同时失效 2 个实例后仍承载目标峰值:
import math
peak_qps = 12_000
safe_qps_per_instance = 1_800
deployed_instances = 9
failed_instances = 2
remaining = deployed_instances - failed_instances
remaining_capacity = remaining * safe_qps_per_instance
required = math.ceil(peak_qps / safe_qps_per_instance)
print(f"required={required}")
print(f"remaining={remaining}")
print(f"remaining_capacity={remaining_capacity}")
print(f"enough={remaining_capacity >= peak_qps}")预期输出:
required=7
remaining=7
remaining_capacity=12600
enough=True该结果只说明按给定单实例安全吞吐计算,失去 2 个实例后仍有 12,600 QPS 的理论安全容量;它不能替代真实故障演练。
故障域怎么纳入
不要只问“要多几台”,而要问“一次故障会失去多少容量”。如果实例集中在同一节点、机架或可用区,单个故障事件可能同时移除多个实例。容量检查应以计划容忍的最大故障单元为输入,并验证剩余实例分布仍然有效。

建议动作
先定义需要容忍的故障范围,再按该范围计算失效后的剩余吞吐,并通过故障注入或摘除实例验证延迟、错误率和下游负载。恢复时间较长或自动扩容启动较慢时,还应保留恢复窗口内的容量余量;具体冗余水平取决于系统的故障域、服务目标和降级策略。
把可用性目标换算为允许的年度或月度不可用时间,可用于评估容灾投入和故障预算;统计口径必须明确请求范围、时间窗口及排除条件。
可用性换算停机时间
需要把 SLA 可用性百分比转成可操作的故障预算时,先确定统计窗口,再计算该窗口允许的不可用时间。结果可用于判断一次故障消耗了多少预算,以及容灾、发布和维护策略是否与目标匹配。
怎么换算
若统计窗口总时长为 ,目标可用性为 ,则允许的理论不可用时间为:
例如按 30 天、每天 24 小时计算,一个完整窗口共有 720 小时。换算值只是数学预算,是否把计划维护、第三方故障或部分请求失败计入不可用时间,取决于实际 SLA 或 SLO 的统计定义。
| 可用性目标 | 30 天窗口允许不可用时间 | 365 天窗口允许不可用时间 |
|---|---|---|
| 99% | 7 小时 12 分 | 3 天 15 小时 36 分 |
| 99.9% | 43 分 12 秒 | 8 小时 45 分 36 秒 |
| 99.99% | 4 分 19.2 秒 | 52 分 33.6 秒 |
表中按连续自然时长直接换算,未加入任何 SLA 排除条款。
判读线索
| 线索 | 含义 | 建议动作 |
|---|---|---|
| 年度预算看似充足,月度预算已耗尽 | 不同统计窗口不能直接互换 | 按合同或 SLO 指定窗口重新计算 |
| 单次故障接近全部预算 | 恢复时间与目标不匹配 | 优先评估故障切换、回滚和恢复链路 |
| 监控可用性与 SLA 报表不同 | 两者统计对象或排除条件可能不同 | 对齐请求范围、成功判定和排除规则 |
| 只有部分用户受影响 | 是否计为整体不可用取决于聚合方式 | 检查按请求、用户、区域还是服务实例统计 |
使用边界
可用性百分比本身不能说明故障次数。例如相同的 43 分钟预算,可以来自一次长故障,也可以来自多次短故障;两者对用户和运维的影响可能完全不同。
在估算出的峰值需求之外保留资源余量,以吸收预测误差、故障转移和短时增长;余量不是固定比例,应结合扩容速度与业务风险确定。
容量安全余量
完成峰值容量估算后,用安全余量检查系统是否还能承受预测偏差、突发流量和故障转移。不要直接套固定百分比,应先找出最慢的扩容环节和必须承受的故障场景,再决定需要预留多少资源。
怎么判读
| 线索 | 含义 | 建议动作 |
|---|---|---|
| 正常峰值已接近资源上限 | 几乎没有预测误差空间 | 扩容或降低单机负载后再上线 |
| 扩容需要数小时或人工审批 | 无法依赖即时扩容吸收突发 | 提高预留容量并提前触发扩容 |
| 单节点故障后其余节点接近满载 | 余量没有覆盖故障转移 | 按目标故障场景重新估算剩余容量 |
| CPU 有余量但连接数已满 | 瓶颈不是计算资源 | 分别检查连接、内存、磁盘和网络约束 |
| 流量短时增长快于自动扩容 | 扩容存在响应滞后 | 预留能覆盖检测与扩容期间的容量 |
估算方式
若预计峰值需求为 ,计划保留的安全余量比例为 ,一个简单的初始估算是:
这里的 只是规划变量,不存在适用于所有系统的通用比例。更可靠的做法是分别估算正常峰值、目标故障场景和扩容等待期间的需求,再检查 CPU、内存、连接数、存储 IOPS、网络带宽等关键资源是否都满足约束。
故障场景
容量评审不能只看所有实例健康时的平均利用率。假设服务共有 个等容量实例,并要求失去 个实例后仍能承载目标峰值,则应以剩余的 个实例检查单实例负载,而不是继续用全部实例平均分摊。

建议动作
先确定必须覆盖的峰值和故障模型,再根据扩容提前量设置告警与触发阈值。上线后用真实峰值、扩容耗时和资源饱和指标持续校准估算,而不是长期沿用首次规划的余量。