云原生稳定性架构参考
来源：AIoT 后端稳定性保障方案 v3.0（精简版，保留通用选型与设计原则） 最后更新：2026-05-13
核心技术选型速查表
| 领域 | 推荐方案 | 备选 | 核心理由 | |------|---------|------|---------| | 多集群管理 | Karmada | Liqo | CNCF 孵化，AWS 官方支持 | | Service Mesh | Istio Ambient | Linkerd | 无 sidecar 开销 | | API 网关 | Apache APISIX | Kong | 云原生，高性能 | | 消息队列 | Kafka (KRaft) | Pulsar | 吞吐最优 | | 时序数据库 | TDengine | TimescaleDB | IoT 性能最优 | | 数据湖 | Apache Iceberg | Hudi / Delta Lake | 2025 最热门，多引擎兼容 | | OLAP | StarRocks | ClickHouse / Doris | Join 性能最优，Upsert 实时 | | 监控 | VictoriaMetrics | Prometheus | 省 3-5x 资源 | | 日志 | Grafana Loki | ELK | 与 VM 统一 Grafana 生态 | | 链路追踪 | Tempo / Jaeger | SkyWalking | OpenTelemetry 原生兼容 | | 实时计算 | Flink on K8s | Spark Streaming | 流处理事实标准 | | BI | Apache Superset | Metabase | 开源，可定制 | | IaC | Terraform | Pulumi | 多云生态最成熟 | | GitOps | ArgoCD | Flux | CNCF 毕业，社区活跃 | | FinOps | Kubecost | CloudHealth | K8s 原生成本可视化 | | 混沌工程 | Chaos Mesh | Litmus | K8s 原生 | | 安全扫描 | Trivy + Snyk | Grype | 容器+依赖全覆盖 | | AI Code Review | CodeRabbit / 自建 | GitHub Copilot | 自动审查+修复 PR |
设计原则（跨项目通用）
- AI-native first — 从 AI 能力出发设计，不是传统方案+AI 点缀
- SLO 驱动 — 所有决策围绕 SLI/SLO，Error Budget 第一优先级
- 渐进演进 — 不推倒重来，每阶段独立交付价值
- 多云中立 — 避免厂商锁定，统一管理平面
- 安全左移 — 设计阶段就考虑安全
架构分层模型
第 7 层：AI 智能运维（LLM 根因分析 / 自愈 Agent / 预测维护）
第 6 层：SRE 稳定性工程（SLO / 混沌工程 / On-call / Post-mortem）
第 5 层：可观测性 + 安全（OpenTelemetry / AIOps / DevSecOps）
第 4 层：研发效能（CI/CD / AI Review / 测试 / Feature Flag）
第 3 层：大数据平台（采集 → 实时计算 → 数仓 → OLAP → BI）
第 2 层：应用架构（微服务 / API网关 / 消息队列 / IoT组件）
第 1 层：云原生基础设施（K8s / 多云 / IaC / GitOps / FinOps）
关键方法论
SRE
- RED 方法论（Rate / Errors / Duration）— 服务健康
- USE 方法论（Utilization / Saturation / Errors）— 资源健康
- Error Budget = 1 - SLO，用完停止发布
- Blameless Post-mortem：无指责复盘
数据
- 数据质量四维度：完整性、准确性、及时性、一致性
- 数据血缘全链路可追溯（device → kafka → flink → dws → report）
- 分层存储：热（SSD）→ 温（HDD）→ 冷（对象存储）
发布
- 测试金字塔：单元(70%) > 集成(20%) > E2E(10%)
- 金丝雀发布 + Feature Flag = 安全发布
- 所有发布必须可一键回滚
业界案例参考
| 公司 | 实践 | 关键数据 | |------|------|---------| | Google | SRE 体系发源地 | 99.99% 可用性，Error Budget 驱动 | | Netflix | Chaos Monkey 混沌工程 | 每天随机杀实例，系统设计为容忍故障 | | 阿里 | 全链路压测 + 双11 | TPS 百万级，PTS 压测平台 | | 字节 | Service Mesh + 内部混沌 | TikTok 全球多活 | | Amazon | GameDay 演练 | 定期模拟大故障 | | EMQX | 百万级 MQTT | 官方验证 1 亿连接 |
完整方案见
02-Projects/AIoT平台稳定性架构/AIoT后端稳定性保障方案.md