云原生稳定性架构参考 v3.1
来源：AIoT 后端稳定性保障方案 v3.1（审查优化版） 审查：5 位专家评审（架构师/CTO/研发总监/SRE/安全） 最后更新：2026-05-13 完整方案：
02-Projects/AIoT平台稳定性架构/AIoT后端稳定性保障方案-v3.1-审查优化版.md
核心变更（v3.0 → v3.1）
| 变更项 | v3.0 | v3.1 | 原因 | |--------|------|------|------| | 设计原则 | AI-native first | SRE-first, AI-enhanced | 3/5 审查指出本末倒置 | | 架构分层 | 9 层 | 5 层 | 减少跨层协调成本 | | 阶段 1 | 10 个交付物 | 拆 1a+1b，各 4-5 个 | 3-5 人做不完 | | Karmada | 阶段 2 | 阶段 4+ | 孵化项目不成熟，2-4 集群没必要 | | Istio | Ambient 3-6 月 | Sidecar 6-12 月 | Ambient 生产成熟度不足 | | Flink | 2.0 | 1.x LTS | .0 版本不稳定 | | 告警 | ML 替代静态阈值 | 静态阈值为主 | ML 误报率>60% | | On-call | 7×24 | 阶段 1 仅 8:00-22:00 | 数十人团队不可持续 |
核心技术选型
| 领域 | 推荐 | 备选 | 关键理由 | |------|------|------|---------| | K8s | EKS/TKE 托管 | - | 已有基础 | | 多集群 | ArgoCD（阶段 1-2） | Karmada（阶段 4+） | 先做好单集群 | | CNI | Cilium | Calico | eBPF 性能 + Hubble 可观测 | | IaC | Terraform + Terragrunt | Pulumi | 运维友好 | | GitOps | ArgoCD | Flux | CNCF 毕业 | | 服务网格 | Istio Sidecar | Cilium Mesh | Ambient 不成熟 | | API 网关 | Apache APISIX | Kong | 云原生 + 开源 | | 消息队列 | Kafka (KRaft) | Pulsar | IoT 吞吐优先 | | MQTT | EMQX Enterprise | Mosquitto | 百万连接已验证 | | 时序DB | TDengine（PoC） | TimescaleDB | BI 兼容性需验证 | | 数据湖 | Apache Iceberg | Hudi | 2025 最热 | | OLAP | StarRocks | ClickHouse/Doris | Join 性能最优 | | 实时计算 | Flink 1.x LTS | Spark Streaming | LTS 稳定 | | 监控 | VictoriaMetrics | Prometheus | 省 3-5x 资源 | | 日志 | Grafana Loki | ELK | 轻量 + 统一生态 | | 链路 | Grafana Tempo | Jaeger | 低成本 | | BI | Apache Superset | Metabase | 开源可嵌入 | | 混沌 | Chaos Mesh | Litmus | K8s 原生 | | 安全 | Trivy + Snyk + Falco | Grype | 全链路覆盖 | | AI 审查 | CodeRabbit | GitHub Copilot | GitLab 集成好 |
设计原则
- SRE-first, AI-enhanced — 先做好可观测性→SLO→告警→混沌，AI 是加速器
- SLO 驱动 — Error Budget 第一优先级
- 渐进演进 — 先看见，再守住，然后才智能
- 多云务实 — 阶段 1-2 单云，按需扩展
- 安全左移 — 等保合规前置
- 运维友好 — 组件数量与团队匹配，能托管就不自建
落地节奏
阶段 1a (0-6 周): 可观测性 + SLO + CI/CD + 基础告警
阶段 1b (7-12 周): 日志/链路 + On-call + IaC + GitOps + EMQX
阶段 2a (3-4 月): APISIX + Kafka + StarRocks + AI Code Review
阶段 2b (5-6 月): Istio Sidecar + Flink + Runbook
阶段 3 (6-12 月): Flink + Iceberg + RCA Agent + 自愈 + 等保
阶段 4 (12-36 月): 千万级 + 边缘 + 全栈 AIOps
快速行动清单（零成本，明天就做）
- 核心服务加结构化日志（JSON + trace_id）— 1-2 天
- 部署 VM + Grafana（Helm 一键部署）— 1 天
- 全团队 pre-commit hooks — 半天
- 定义 3 个核心 SLO — 2 小时
- GitLab CI 模板化 — 1 天
- Trivy 接入 CI — 2 小时
- 飞书告警群 — 1 小时
- 第一次 Post-mortem — 1 小时
- K8s Workshop 排期
- SonarQube 部署（社区版）— 半天
完整方案含 5 层架构、30 项变更清单、成本估算、合规要求。