Metrics Driven Development

目录

  • 前言
    • 为什么要修订
    • AI 时代的三大护法
    • 本书主线
    • 修订要点
    • 读者对象
  • 第 1 章 微服务入门
    • 1.1 单体服务的特点
      • 服务是什么？
    • 1.2 拆分微服务
      • 1.2.1 分而治之以降低复杂性
      • 1.2.2 分而用之以提高可重用性
      • 1.2.3 分而做之以提高开发效率
    • 1.3 微服务的特点
      • 1.3.1 微服务架构的特点
      • 1.3.2 微服务架构的特征
      • 1.3.3 微服务架构的风格
      • 1.3.4 微服务的分类
      • 1.3.5 多小的服务才是微服务
    • 1.4 微服务之道
      • 1.4.1 软件之道
      • 1.4.2 敏捷之道
      • 1.4.3 微服务的思考
    • 1.5 土豆微服务案例
      • 1.5.1 系统架构
      • 1.5.2 快速启动
    • 1.6 本章小结
  • 第 2 章 微服务度量基本概念
    • 2.1 微服务的局限
      • 2.1.1 局限
      • 2.1.2 解决方案
    • 2.2 度量的重要性
    • 2.3 度量内容
      • 2.3.1 按度量的目标划分
      • 2.3.2 按度量的层次划分
    • 2.4 度量指标与术语
      • 2.4.1 统计学指标
      • 2.4.2 度量类型
      • 2.4.3 度量处理相关术语
    • 2.5 度量策略选择
      • 2.5.1 如何做度量
      • 2.5.2 如何选择度量方案
    • 2.6 本章小结
  • 第 3 章 微服务度量设计
    • 3.1 微服务协议的选择与度量
      • 3.1.1 协议概述
      • 3.1.2 协议分析
    • 3.2 HTTP 协议及其度量
      • 3.2.1 HTTP 协议简介
      • 3.2.2 REST API 度量要点
    • 3.3 SIP 协议及其度量
      • 3.3.1 SIP 协议简介
      • 3.3.2 SIP 度量要点
    • 3.4 RTP 协议及其度量
      • 3.4.1 RTP 协议简介
      • 3.4.2 RTP 度量要点
    • 3.5 基于度量的存储系统选型
    • 3.6 基于度量实现高可用性
      • 3.6.1 可用性度量
      • 3.6.2 SLI/SLO/SLA
      • 3.6.3 容错模式
    • 3.7 土豆微服务度量设计
    • 3.8 本章小结
  • 第 4 章 度量驱动的多语言实现
    • 4.1 度量代码质量
      • 4.1.1 静态分析指标
      • 4.1.2 各语言的代码质量工具
    • 4.2 度量进度
      • 4.2.1 DORA 指标
    • 4.3 度量性能
      • 4.3.1 性能度量金三角
      • 4.3.2 多语言性能测试
    • 4.4 多语言度量实现
      • 4.4.1 Go 度量实现
      • 4.4.2 Python 度量实现
      • 4.4.3 C++ 度量实现
      • 4.4.4 Java 度量实现
    • 4.5 OpenTelemetry: 统一的度量标准
    • 4.6 AI 辅助编程中的度量实践
      • 4.6.1 正确的 AI Prompt 模式
      • 4.6.2 度量设计先于代码实现
      • 4.6.3 AI 生成代码的度量检查清单
    • 4.7 本章小结
  • 第 5 章 度量数据的聚合与展示
    • 5.1 度量数据的聚合和存储
      • 5.1.1 聚合方式
      • 5.1.2 时序数据库
      • 5.1.3 数据保留策略
    • 5.2 度量数据的清洗和处理
      • 5.2.1 数据清洗
      • 5.2.2 数据处理
    • 5.3 度量数据的可视化
      • 5.3.1 常用图表类型
      • 5.3.2 仪表盘设计原则
    • 5.4 常用度量聚合与展示方案
      • 5.4.1 TIG 技术栈
      • 5.4.2 ELKK 技术栈
      • 5.4.3 Prometheus 技术栈
      • 5.4.4 OpenTelemetry (新增)
    • 5.5 土豆微服务的度量聚合与展示
    • 5.6 本章小结
  • 第 6 章 度量数据的分析与报警
    • 6.1 度量数据的分析
      • 6.1.1 分析方法
      • 6.1.2 USE 方法
      • 6.1.3 RED 方法
      • 6.1.4 黄金信号 (Golden Signals)
    • 6.2 报警实现
      • 6.2.1 报警策略
      • 6.2.2 报警规则
      • 6.2.3 报警通知渠道
      • 6.2.4 报警抑制与聚合
    • 6.3 多语言报警实现
      • 6.3.1 Go: 自定义健康检查与告警
      • 6.3.2 Python: 基于 Elasticsearch 的报警
      • 6.3.3 C++: 嵌入式系统的度量报警
      • 6.3.2 APDEX 应用性能指数
    • 6.4 本章小结
  • 第 7 章 度量驱动的运维
    • 7.1 部署升级
      • 7.1.1 部署策略
      • 7.1.2 金丝雀发布的度量
      • 7.1.3 CI/CD 流水线度量
    • 7.2 数据运维
      • 7.2.1 数据库运维度量
      • 7.2.2 缓存运维度量
    • 7.3 配置调整
      • 7.3.1 JVM 调优
      • 7.3.2 线程池调优
      • 7.3.3 连接池调优
    • 7.4 开源组件的度量
      • 7.4.1 Kafka 度量
      • 7.4.2 Nginx 度量
    • 7.5 Kubernetes 环境下的运维度量 (新增)
      • 7.5.1 Pod 级别度量
      • 7.5.2 集群级别度量
      • 7.5.3 HPA 自动伸缩
    • 7.6 eBPF: 无侵入式度量采集 (新增)
    • 7.7 GitOps 与度量驱动部署 (新增)
    • 7.8 本章小结
  • 第 8 章 AI 时代的全程度量驱动
    • 8.1 AI 辅助编程的悖论
      • 8.1.1 速度与质量的矛盾
      • 8.1.2 三大护法
    • 8.2 MDD: AI 时代的可观测性护法
      • 8.2.1 为什么 MDD 在 AI 时代更重要
      • 8.2.2 让 AI Build in MDD
    • 8.3 完整的 AI 辅助开发流程
      • 8.3.1 实战示例: 消息推送服务
    • 8.4 可观测性三支柱
      • 8.4.1 Metrics + Logs + Traces
      • 8.4.2 OpenTelemetry: 统一框架
      • 8.4.3 结构化日志
    • 8.5 客户端度量
      • 8.5.1 Web 前端: Core Web Vitals
      • 8.5.2 移动端度量
    • 8.6 AIOps: AI 驱动的智能运维
      • 8.6.1 从规则告警到智能告警
      • 8.6.2 大数据与度量
    • 8.7 度量驱动开发的回顾与展望
      • 8.7.1 MDD 方法论全景图
      • 8.7.2 未来趋势
      • 8.7.3 一句话总结
    • 8.8 实战检查清单
    • 8.9 本章小结
  • 附录 常用度量工具与软件库
    • A.1 开源软件
      • A.1.1 数据采集
      • A.1.2 数据存储
      • A.1.3 数据处理
      • A.1.4 数据展示
      • A.1.5 监控告警
      • A.1.6 分布式追踪
      • A.1.7 其他工具
    • A.2 商业软件
    • A.3 度量类库
  • 术语表
Metrics Driven Development
  • 搜索

© 版权所有 2020-2026, Walter Fan, Jian Fu.

利用 Sphinx 构建，使用的 主题 由 Read the Docs 开发.