01
运维指标体系概述
为什么需要量化指标 · MTTR/MTBF核心概念 · SLA/SLO/SLI定义与区别
概念SRE基础
02
指标采集层设计
数据源分类 · Agent/API/日志采集 · 采集频率与精度权衡
采集架构
03
Prometheus基础
架构 · 数据模型(Metric/Label/Sample) · PromQL入门
PromQL监控
04
Grafana可视化
数据源配置 · Dashboard设计 · 图表类型 · 告警配置
可视化告警
05
基础设施指标
CPU/负载 · 内存/Swap · 磁盘IO/容量 · 网络带宽/丢包
基础设施Node
06
应用层指标
QPS/TPS · P50/P95/P99 · 错误率 · GC与线程池
APM延迟
07
业务层指标
DAU/MAU · 转化率 · 订单量 · 收入与支付成功率
业务增长
08
日志指标化
ELK/EFK架构 · 日志采集解析 · 基于日志告警 · 关联指标
日志Loki
09
告警体系设计
P0-P4分级 · 告警规则 · 沉默聚合 · 钉钉/企微/邮件
告警通知
10
容量规划指标
资源利用率趋势 · 容量预测 · 成本优化 · 水位线
容量成本
11
可用性指标
服务可用性(9的个数) · MTTR · MTBF · 可用性仪表盘
可用性SLA
12
性能指标
端到端延迟 · 数据库查询耗时 · 缓存命中率 · CDN效果
性能优化
13
安全指标
漏洞扫描覆盖率 · 入侵检测告警 · 合规检查 · 响应时间
安全合规
14
成本指标
云资源费用趋势 · 单位请求成本 · 存储优化 · 预留/按需比例
FinOps成本
15
指标治理
命名规范 · 标签规范 · 生命周期 · 血缘与字典
治理标准化
16
SRE黄金指标
延迟 · 流量 · 错误 · 饱和度 · USE/RED方法
SRE黄金信号
17
自定义指标开发
Exporter开发(Python/Go) · Client Library · Pushgateway
开发Exporter
18
指标存储与查询
时序数据库选型 · 数据保留 · 降采样 · 聚合
存储TSDB
19
多集群/多环境指标
统一监控视图 · 环境标签 · 跨集群聚合 · 全局告警
多集群联邦
20
指标与自动化
HPA自动扩缩容 · 自愈策略 · 混沌工程 · 指标验证
自动化HPA
21
指标可视化进阶
Grafana变量/模板 · Annotations · 告警状态面板 · 大屏
可视化大屏
22
指标质量保障
数据完整性 · 异常值检测 · 指标延迟监控 · 回填机制
质量数据
23
团队协作与指标文化
指标Owner · On-Call流程 · 故障复盘 · SLO评审
文化协作
24
从零搭建实战（一）
需求分析 · 指标分类优先级 · 技术选型(Prometheus+Grafana+Alertmanager)
实战选型
25
从零搭建实战（二）
基础设施采集(Node Exporter/cAdvisor) · 应用接入(Spring Boot/Prometheus Client)
实战采集
26
从零搭建实战（三）
业务指标上报(Pushgateway/自定义Exporter) · 日志指标化(Loki/Promtail)
实战业务
27
从零搭建实战（四）
告警规则编写测试 · 钉钉机器人集成 · 告警值班表
实战告警
28
从零搭建实战（五）
Dashboard设计(全局/服务/业务) · 变量联动 · 权限管理
实战Dashboard
29
从零搭建实战（六）
SLO定义计算 · 错误预算告警 · SLO仪表盘 · 评审迭代
实战SLO
30
运维指标体系演进
从指标到数据驱动 · AIOps异常检测 · eBPF/OpenTelemetry未来趋势
演进AIOps