闪学it-AIOps智能运维实战精品班第2期

AIOps 智能运维实战精品班第 2 期干货：容量预测、故障演练实操技巧（关注用户名）

容量预测和故障演练，是智能运维从“被动救火”走向“主动治理”的两项基本功。第 2 期课程的核心观点是：容量预测要服务资源决策，故障演练要服务应急能力，两者都必须嵌入日常运维流程，不能做成一次性项目。

容量预测首先要有清晰的容量模型。课程建议把资源分成计算、存储、网络、数据库连接、消息积压和第三方配额等维度，分别建立指标口径。预测前要做数据清洗：剔除异常大促、临时压测、故障导致的尖刺，保留真实业务增长和周期波动。对于 Web 服务，可关注请求量、并发数、平均延迟和资源利用率的联动；对于数据库，要关注连接数、慢查询、磁盘增长和复制延迟；对于消息队列，则要关注积压量和消费速率。只有把“业务量—资源量—性能表现”关联起来，容量预测才有决策价值。

预测方法要分层。短期预测用于扩容和限流，重点看未来数小时到数天的趋势；中期预测用于资源规划和成本优化，重点看周、月维度；长期预测用于预算和架构演进，重点看季度趋势。课程强调不要迷信复杂模型，先建立透明基线，再逐步引入季节分解、回归和机器学习。预测结果要给出区间和风险等级，并关联扩容阈值、采购周期和成本约束。评估时除了误差，还要看容量风险发现率、资源浪费率和扩容及时率。

故障演练要围绕“真实故障如何发生”设计。课程建议建立场景库，覆盖实例宕机、依赖超时、数据库主从切换、网络抖动、配置错误、发布回滚和第三方接口不可用等场景。每个场景要有演练目标、影响范围、观测指标、止损动作、回滚方案和责任人。演练前做风险评审，控制爆炸半径；演练中记录告警时延、定位时延、恢复时延和人工操作步骤；演练后输出问题清单，区分监控缺失、预案缺失、工具缺失和协同缺失。

容量预测与故障演练要联动。容量预测发现某服务接近瓶颈，可以设计限流、扩容或降级演练，验证预案是否有效；故障演练发现某资源恢复慢，可以反哺容量冗余和弹性策略。课程还强调演练要常态化、小型化，避免大型演练一年一次、问题堆积一年。通过月度小演练、季度综合演练和变更前专项演练，把应急能力保持在可用状态。

最终，容量预测要形成“看趋势、定阈值、做决策、看效果”的闭环；故障演练要形成“设场景、控范围、记时间线、改预案”的闭环。AIOps 工具可以提升效率，但组织机制才是长期保障。把预测结果写进容量例会，把演练问题写进运维 backlog，把改进项纳入变更和监控流程，才能让智能运维真正落地。

本作品采用《CC 协议》，转载必须注明作者和本文链接