第一章：单体→微服务库存拆分实战（Go+gRPC+ETCD）：如何零 downtime 迁移百万级SKU库存中心
库存中心是电商系统的核心命脉，面对日均千万级查询、万级写入的百万SKU场景，单体架构在扩展性、发布隔离与故障收敛上已逼近极限。本章聚焦真实生产环境下的平滑演进路径——不中断任何下单、扣减、查询流量，完成从Spring Boot单体库存模块到Go语言gRPC微服务的渐进式拆分。
双写影子模式启动
在单体库存服务中嵌入轻量级双写代理层：所有写操作（如update_stock）同步调用新gRPC库存服务（InventoryService.UpdateStock），同时记录操作日志到Kafka。关键逻辑如下：
// 双写逻辑（非阻塞异步，失败降级为单写）
go func() {
_, err := inventoryClient.UpdateStock(ctx, &pb.UpdateStockReq{
SkuId: skuID, Delta: delta,
})
if err != nil {
log.Warn("gRPC write failed, fallback to monolith only")
}
}()该阶段持续72小时，通过ETCD注册的/inventory/migration/phase键值动态控制开关，并监控双写一致性指标（如gRPC响应延迟P99
流量灰度切分
基于ETCD的分布式配置实现请求级灰度路由：
sku_id % 100 < 5→ 全量走新服务（5% SKU）header["x-migration-flag"] == "true"→ 强制走新服务（内部压测/客服通道）- 其余流量仍走单体，但自动注入
X-Inventory-Source: monolith头用于链路追踪
最终一致性校验与切换
每日凌晨执行全量比对任务，扫描ETCD中/inventory/skew_check/{date}下各SKU的expected_count（单体DB）与actual_count（gRPC服务缓存+DB）差异： |
SKU ID | 单体库存 | 微服务库存 | 偏差 | 状态 |
|---|---|---|---|---|---|
| 10086 | 99 | 99 | 0 | ✅ | |
| 20045 | 123 | 122 | -1 | ⚠️（触发补偿任务） |
当连续3天全量校验通过率 ≥ 99.999%，执行原子切换：将ETCD中/inventory/routing_mode设为grpc-only，Nginx网关自动重写所有/api/inventory/*请求至gRPC Gateway端点，完成零停机迁移。
第二章：库存系统演进路径与架构决策
2.1 单体库存服务的瓶颈分析与可观察性验证
在高并发秒杀场景下，单体库存服务频繁出现 503 Service Unavailable 与库存超卖现象。通过 Prometheus + Grafana 链路观测发现，/inventory/deduct 接口 P99 延迟达 1.8s，CPU 持续 >92%，线程池活跃线程数长期满载。
数据同步机制
库存扣减后需同步更新缓存与数据库，当前采用直写式双写：
// 库存扣减核心逻辑（简化）
public boolean deduct(String skuId, int quantity) {
// 1. Redis Lua 原子校验与预扣减
Long result = redisTemplate.execute(
inventoryDeductScript, // 含 DECRBY + TTL 判断
Collections.singletonList("inv:" + skuId),
String.valueOf(quantity)
);
if (result == null || result <= 0) return false;
// 2. 异步落库（依赖线程池，无背压控制）
inventoryUpdateExecutor.submit(() ->
inventoryMapper.updateStock(skuId, -quantity)
);
return true;
}该实现存在两大隐患：Lua 脚本未校验库存上限阈值；异步更新无失败重试与幂等标识，导致 DB 与 Redis 最终不一致。
关键指标对比（压测 QPS=2000）
| 指标 | 当前值 | SLO 要求 |
|---|---|---|
| 请求成功率 | 87.3% | ≥99.9% |
| Redis 缓存命中率 | 41% | ≥95% |
| DB 更新延迟 P95 | 420ms | ≤50ms |
瓶颈根因链（Mermaid）
graph TD
A[HTTP 请求] --> B[Redis Lua 执行]
B --> C{库存充足？}
C -->|是| D[异步线程池提交 DB 更新]
C -->|否| E[返回失败]
D --> F[线程池饱和]
F --> G[任务排队 → 延迟激增]
G --> H[DB 连接池耗尽 → 更新丢失]2.2 微服务边界划分原则：基于领域驱动设计（DDD）的SKU、库存、扣减职责解耦
在DDD指导下，SKU归属商品域，库存归属仓储域，扣减逻辑归属交易域——三者必须物理隔离，避免共享数据库表或直接调用。
领域职责映射表
| 领域 | 核心实体 | 限界上下文 | 不可越界操作 |
|---|---|---|---|
| 商品域 | Sku |
product-bc |
❌ 不得修改库存数量 |
| 仓储域 | Stock |
warehouse-bc |
❌ 不得参与订单状态流转 |
| 交易域 | Order |
trade-bc |
❌ 不得持久化库存快照 |
库存扣减协同流程
graph TD
A[交易域发起扣减请求] --> B{仓储域校验可用库存}
B -- 成功 --> C[仓储域执行预占]
B -- 失败 --> D[返回失败并触发补偿]
C --> E[发布 StockReservedEvent]扣减接口契约（仓储域）
// 仓储域提供幂等预留接口
public Result<StockReservation> reserveStock(
@NotBlank String skuId, // SKU唯一标识，仅用于校验归属
@Min(1) Integer quantity, // 预占数量，不可为0
@NotBlank String bizOrderId // 业务单据ID，用于去重与溯源
) {
// 基于本地库存快照+分布式锁实现强一致性校验
}该方法不接受 Sku 对象或价格字段，彻底切断商品域数据渗透；bizOrderId 保障幂等性，避免重复预占。
2.3 gRPC接口契约设计与Proto版本兼容性实践（含breaking change规避策略）
契约演进的核心原则
gRPC 接口稳定性依赖于 Protocol Buffer 的向后/向前兼容性。关键约束：永不删除或重编号字段；仅可追加字段；慎用 required（v3 已弃用）。
安全的字段变更示例
// v1.0
message User {
int32 id = 1;
string name = 2;
}
// v1.1 —— 兼容升级：仅追加，保留旧字段语义
message User {
int32 id = 1;
string name = 2;
string email = 3; // 新增 optional 字段（默认为 ""）
bool is_active = 4 [default = true]; // 显式 default 更安全
}逻辑分析：
optional（v3 默认行为）且无default，客户端未设值时服务端收到空字符串，不破坏现有逻辑；is_active显式设default = true，确保老客户端调用新服务时行为可预测。所有字段序号固定，避免二进制解析错位。
breaking change 规避清单
- ❌ 删除字段、修改字段类型（
int32 → string） - ❌ 重命名字段（除非配合
json_name且服务端双写兼容） - ✅ 使用
oneof封装可选结构，替代字段语义变更 - ✅ 引入
v2命名包（如package user.v2;）隔离重大重构
版本兼容性决策矩阵
| 变更类型 | 向后兼容 | 向前兼容 | 推荐做法 |
|---|---|---|---|
| 新增 optional 字段 | ✅ | ✅ | 优先选择 |
| 修改字段 default | ✅ | ⚠️（旧客户端忽略） | 需同步更新文档与 SDK |
| 重命名字段（+json_name） | ✅ | ✅ | 仅限 JSON API 场景 |
graph TD
A[定义 v1 proto] --> B[新增字段 with default]
B --> C{客户端升级？}
C -->|否| D[旧客户端：忽略新字段，default 生效]
C -->|是| E[新客户端：显式设置新字段]2.4 ETCD作为服务发现与分布式锁中心的Go客户端深度集成
核心依赖与初始化
使用 go.etcd.io/etcd/client/v3 v3.5+ 版本，支持 KeepAlive、Lease 绑定与原子 CompareAndSwap（CAS）语义。
分布式锁实现（带租约）
cli, _ := clientv3.New(clientv3.Config{Endpoints: []string{"localhost:2379"}})
lease := clientv3.NewLease(cli)
leaseID, _ := lease.Grant(context.TODO(), 10) // 10秒租约
// 尝试获取锁：仅当 key 不存在时写入（带租约绑定）
resp, _ := cli.Put(context.TODO(), "/lock/service-a", "node-1",
clientv3.WithLease(leaseID.ID),
clientv3.WithIgnoreLease(true)) // 防止重复续期干扰逻辑分析：WithLease 将 key 生命周期与租约绑定；WithIgnoreLease(true) 确保 Put 操作不因租约过期失败。若响应 resp.Header.Revision == 1，表明首次写入成功，获得锁。
服务注册与健康监听
| 字段 | 说明 |
|---|---|
| Key | /services/api/v1/{node-id}（带 TTL） |
| Value | JSON 序列化的端点+元数据 |
| Watch | 监听 /services/api/v1/ 前缀变更，触发服务列表热更新 |
数据同步机制
graph TD
A[Service Node] -->|Put + Lease| B[ETCD Server]
B --> C[Apply to Raft Log]
C --> D[Commit & Persist]
D --> E[Watch Event Broadcast]
E --> F[Client SDK Notify Listeners]2.5 流量灰度与双写一致性保障机制（基于Go channel + context超时控制）
数据同步机制
采用双写+校验兜底策略：主写新存储，异步写旧存储；失败时通过 context.WithTimeout 触发降级回滚。
核心实现逻辑
func dualWrite(ctx context.Context, newDB, oldDB *DB, data interface{}) error {
// 并发双写，任一超时即中断
done := make(chan error, 2)
go func() { done <- newDB.Write(ctx, data) }()
go func() { done <- oldDB.Write(ctx, data) }()
var errs []error
for i := 0; i < 2; i++ {
select {
case err := <-done:
if err != nil {
errs = append(errs, err)
}
case <-ctx.Done():
return ctx.Err() // 统一超时退出
}
}
return errors.Join(errs...) // 聚合错误
}逻辑分析：使用无缓冲 channel 控制并发完成信号，
context.WithTimeout(parent, 500*time.Millisecond)确保整体耗时可控；errors.Join保留双写失败详情，便于灰度流量中快速定位弱依赖瓶颈。
一致性保障策略对比
| 策略 | 一致性级别 | 时延影响 | 适用场景 |
|---|---|---|---|
| 同步双写 | 强一致 | 高 | 核心交易 |
| 异步队列补偿 | 最终一致 | 低 | 日志/统计 |
| Channel+Context双写 | 近实时强一致 | 可控中等 | 灰度迁移期 |
graph TD
A[灰度请求] --> B{是否启用双写?}
B -->|是| C[启动context超时控制]
C --> D[goroutine并发写新/旧库]
D --> E[channel收集结果]
E --> F[超时或双写失败→触发熔断]
F --> G[返回降级响应]第三章：核心库存模块的Go微服务实现
3.1 基于乐观锁+CAS的高并发库存扣减服务（sync/atomic与数据库行锁协同）
在超卖防控中，单一数据库行锁易成瓶颈，而纯内存CAS又面临持久化不一致。需构建“内存原子操作 + 数据库乐观锁”双校验闭环。
核心协同机制
- 库存预扣：
atomic.Int64.CompareAndSwap快速拦截超量请求 - 持久化落库：SQL 中
WHERE version = ? AND stock >= ?确保DB层最终一致性 - 版本号回写：成功后
UPDATE ... SET stock = ?, version = version + 1
关键代码片段
// 内存CAS预检（线程安全）
if !stockAtomic.CAS(expected, expected-1) {
return errors.New("库存不足（内存层）")
}
CAS(expected, expected-1)原子比较并递减；expected来自上一次读取的当前值，失败说明并发修改已发生，避免脏读。
执行流程
graph TD
A[请求到达] --> B{atomic.CAS校验}
B -->|成功| C[DB乐观锁UPDATE]
B -->|失败| D[返回库存不足]
C -->|影响行数=1| E[扣减成功]
C -->|影响行数=0| F[回滚atomic并重试/拒绝]| 层级 | 作用 | 失败响应 |
|---|---|---|
sync/atomic |
毫秒级无锁争抢，过滤95%+无效请求 | 立即返回，零DB压力 |
| 数据库行锁+version | 持久化兜底，解决分布式节点间状态同步 | 触发补偿或降级 |
3.2 分布式事务补偿模式：Saga在入库/出库场景下的Go实现与幂等性校验
Saga 模式通过一连串本地事务与对应补偿操作，保障跨服务数据最终一致性。在库存系统中，“扣减库存（outbound）→ 创建订单 → 增加出库记录”需严格可逆。
幂等令牌设计
每个业务请求携带唯一 idempotency_key（如 order_id:sku_id:timestamp），写入幂等表前先 INSERT IGNORE 校验：
_, err := db.Exec(`
INSERT INTO idempotent_records (key, status, created_at)
VALUES (?, 'pending', NOW())`, idempotencyKey)
if err != nil && !isDuplicateKeyError(err) {
return err // 其他错误需处理
}逻辑：利用数据库唯一索引快速拦截重复请求；
status后续更新为succeeded或compensated，支撑状态机驱动的 Saga 恢复。
补偿链路流程
graph TD
A[扣减库存] --> B[创建订单]
B --> C[记录出库]
C --> D{成功？}
D -- 否 --> E[回滚订单]
E --> F[补回库存]关键字段对照表
| 字段 | 类型 | 说明 |
|---|---|---|
idempotency_key |
VARCHAR(128) | 全局唯一业务标识 |
tx_id |
UUID | Saga 全局事务ID，用于日志追踪 |
compensation_path |
JSON | 补偿操作序列（如 ["refund_stock","cancel_order"]） |
3.3 库存快照与实时水位监控：Prometheus指标暴露与Grafana看板定制（Go opentelemetry集成）
数据同步机制
库存快照采用定时+事件双触发策略：每30秒拉取一次DB快照（/inventory/snapshot），同时监听Redis Stream中的inventory:update事件实现毫秒级水位修正。
Prometheus指标暴露（Go + OpenTelemetry）
// 初始化OpenTelemetry Prometheus exporter
promExporter, _ := prometheus.New(prometheus.WithNamespace("inventory"))
controller := metric.NewController(
metric.NewPushController(
sdkmetric.NewMeterProvider(sdkmetric.WithReader(promExporter)),
promExporter,
metric.WithInterval(15*time.Second),
),
)
// 注册库存水位Gauge
inventoryLevel := meter.NewFloat64Gauge("inventory.level",
metric.WithDescription("Current stock level per SKU"),
metric.WithUnit("{items}"),
)该代码通过OpenTelemetry SDK将库存水位注册为Prometheus gauge类型指标，WithNamespace("inventory")确保指标前缀统一；WithInterval(15s)控制推送频率，避免高频采样冲击Prometheus拉取周期。
Grafana看板关键视图
| 面板名称 | 数据源 | 核心表达式 |
|---|---|---|
| 实时水位热力图 | Prometheus | inventory_level{env="prod"} |
| 库存突变告警流 | Loki + PromQL | rate(inventory_level_change[5m]) > 100 |
指标采集拓扑
graph TD
A[Inventory Service] -->|OTLP/gRPC| B[OpenTelemetry Collector]
B -->|Prometheus remote_write| C[Prometheus Server]
C --> D[Grafana Dashboard]
D --> E[Alertmanager]第四章：零停机迁移全链路工程实践
4.1 双写迁移网关开发：Go中间件拦截HTTP/gRPC请求并自动路由至新旧服务
双写迁移网关是灰度发布关键组件，需在不修改业务代码前提下透明实现请求分流与数据双写。
核心拦截机制
使用 Go http.Handler 装饰器与 gRPC UnaryServerInterceptor 统一捕获请求上下文：
func DualWriteMiddleware(next http.Handler) http.Handler {
return http.HandlerFunc(func(w http.ResponseWriter, r *http.Request) {
// 提取路由标识与迁移策略（如 header: X-Migration-Mode=shadow|dual）
mode := r.Header.Get("X-Migration-Mode")
if mode == "dual" {
go dualWriteHTTP(r) // 异步双写旧服务，避免阻塞主链路
}
next.ServeHTTP(w, r) // 主流量路由至新服务
})
}逻辑说明：中间件通过 X-Migration-Mode 控制行为；dualWriteHTTP 异步调用旧服务保障低延迟；主响应始终来自新服务，确保一致性。
路由决策维度
| 维度 | 示例值 | 作用 |
|---|---|---|
| 请求路径 | /api/v1/users |
匹配服务映射规则 |
| 用户ID哈希 | hash(uid) % 100 < 10 |
控制10%流量灰度 |
| Header标记 | X-Shadow:true |
强制进入影子链路 |
数据同步机制
- ✅ 支持幂等重试（基于请求ID去重）
- ✅ 失败时降级为异步消息队列兜底（Kafka）
- ❌ 不阻塞主流程，超时阈值设为
200ms
graph TD
A[客户端请求] --> B{中间件拦截}
B -->|mode=dual| C[同步调用新服务]
B -->|mode=dual| D[异步双写旧服务]
B -->|mode=shadow| E[主调新服务+旁路旧服务]
C --> F[返回响应]4.2 数据一致性校验平台：基于Binlog解析+Go协程批量比对的百万SKU差异巡检
核心架构设计
平台采用「解析-分发-比对-聚合」四层流水线：MySQL Binlog 实时捕获变更，经 Canal 解析为结构化事件；Go 协程池（sync.Pool 复用）并发拉取主从库对应 SKU 的全量字段；最终通过 CRC32+字段级 Diff 定位不一致项。
高效比对实现
func compareSkuBatch(skus []string) []DiffItem {
var wg sync.WaitGroup
ch := make(chan DiffItem, 1000)
for _, sku := range skus {
wg.Add(1)
go func(s string) {
defer wg.Done()
// 并发查主库 & 从库，超时 300ms
master, slave := queryDBs(s, 300*time.Millisecond)
if !reflect.DeepEqual(master, slave) {
ch <- DiffItem{SKU: s, Master: master, Slave: slave}
}
}(sku)
}
go func() { wg.Wait(); close(ch) }()
return collect(ch) // 收集所有差异
}逻辑说明：
queryDBs使用context.WithTimeout控制单次查询耗时；reflect.DeepEqual适用于结构稳定的小对象比对；ch容量限制防内存溢出，适配百万级 SKU 分片（如每批 5000 SKU）。
巡检性能对比（单节点）
| 批次规模 | 平均耗时 | CPU 利用率 | 差异检出率 |
|---|---|---|---|
| 1K SKU | 120 ms | 35% | 100% |
| 10K SKU | 980 ms | 68% | 100% |
流程协同示意
graph TD
A[Binlog实时采集] --> B[Canal解析为Event]
B --> C[SKU路由分片]
C --> D[Go Worker Pool并发比对]
D --> E[Diff聚合+告警推送]4.3 熔断降级与应急预案：Sentinel Go SDK在库存超卖防护中的定制化适配
库存扣减前的熔断校验
在 DeductStock 方法入口处集成 Sentinel 流控规则，优先拦截异常流量：
// 基于商品ID维度的资源名，支持动态限流粒度
entry, err := sentinel.Entry(fmt.Sprintf("stock:%s", skuID),
sentinel.WithResourceType("flow"),
sentinel.WithTrafficType(base.Inbound))
if err != nil {
return errors.New("库存服务暂时不可用，请稍后重试")
}
defer entry.Exit()该调用触发实时 QPS 统计与熔断器状态判断；WithResourceType 明确标识为入向流量，确保与全局熔断策略对齐。
自定义降级逻辑
当库存不足或 Sentinel 返回 BlockError 时，自动切换至兜底策略：
- 查询缓存中最近 5 分钟的平均下单成功率
- 若成功率
- 同时触发告警 Webhook 推送至运维看板
应急开关联动表
| 开关键名 | 默认值 | 生效场景 | 变更影响 |
|---|---|---|---|
stock.fallback |
false | 高并发超卖风险期 | 强制走 Redis Lua 原子扣减 |
sentinel.broken |
false | Sentinel 控制台失联 | 降级为本地滑动窗口统计 |
熔断恢复流程
graph TD
A[请求进入] --> B{Sentinel 熔断器状态？}
B -- 熔断中 --> C[返回降级响应]
B -- 半开状态 --> D[允许10%探针请求]
D --> E{成功数≥80%？}
E -- 是 --> F[关闭熔断器]
E -- 否 --> G[重置熔断计时器]4.4 全链路压测与混沌工程：使用Go编写Chaos Mesh故障注入脚本模拟ETCD脑裂与gRPC超时
在微服务架构中，ETCD集群脑裂与gRPC调用超时是典型级联故障诱因。Chaos Mesh通过自定义CRD实现声明式混沌注入，而Go客户端可编程化编排复杂故障场景。
故障注入核心逻辑
// 构建NetworkChaos模拟ETCD节点间网络分区
netChaos := &networkchaosv1alpha1.NetworkChaos{
ObjectMeta: metav1.ObjectMeta{Name: "etcd-partition", Namespace: "chaos-testing"},
Spec: networkchaosv1alpha1.NetworkChaosSpec{
Action: "partition", // 关键：双向丢包，触发脑裂
Direction: "to", // 仅影响目标Pod入向流量
Target: targetSelector("etcd-0"),
Duration: &metav1.Duration{Duration: 30 * time.Second},
},
}partition动作强制隔离指定etcd节点，targetSelector需匹配etcd StatefulSet标签；Duration控制故障窗口，避免永久性数据不一致。
gRPC超时注入策略
| 故障类型 | 目标服务 | 延迟范围 | 触发条件 |
|---|---|---|---|
| gRPC延迟 | auth-svc | 2–5s | 请求头含x-auth-type: jwt |
| gRPC中断 | order-svc | 100%丢包 | 路径/order.v1.OrderService/Create |
混沌协同流程
graph TD
A[启动全链路压测] --> B[注入ETCD网络分区]
B --> C{etcd集群是否降级？}
C -->|是| D[触发gRPC熔断]
C -->|否| E[注入gRPC高延迟]
D --> F[验证订单服务最终一致性]第五章：总结与展望
技术栈演进的实际影响
在某大型电商平台的微服务重构项目中，团队将原有单体架构迁移至基于 Kubernetes 的云原生体系。迁移后，平均服务部署耗时从 47 分钟降至 92 秒，CI/CD 流水线失败率下降 63%。关键变化在于：容器镜像统一采用 distroless 基础镜像（仅含运行时依赖），配合 Trivy 扫描集成到 GitLab CI 阶段，使高危漏洞平均修复周期压缩至 1.8 天（此前为 11.4 天）。该实践已沉淀为《生产环境容器安全基线 v3.2》，被 7 个业务线强制引用。
团队协作模式的结构性转变
下表对比了传统运维与 SRE 实践在故障响应中的关键指标差异：
| 指标 | 传统运维模式 | SRE 实施后（12个月数据） |
|---|---|---|
| 平均故障定位时间 | 28.6 分钟 | 4.3 分钟 |
| MTTR（平均修复时间） | 52.1 分钟 | 13.7 分钟 |
| 自动化根因分析覆盖率 | 12% | 89% |
| 可观测性数据采集粒度 | 分钟级日志 | 微秒级 trace + eBPF 网络流 |
该转型依托于 OpenTelemetry Collector 的自定义 pipeline 配置——例如对支付服务注入 http.status_code 标签并聚合至 Prometheus 的 payment_api_duration_seconds_bucket 指标，使超时问题可直接关联到特定网关节点。
生产环境灰度发布的工程验证
某金融风控系统上线新模型版本时，采用 Istio VirtualService 的加权流量路由策略实现渐进式发布：
apiVersion: networking.istio.io/v1beta1
kind: VirtualService
metadata:
name: risk-model-vs
spec:
hosts:
- "risk-api.example.com"
http:
- route:
- destination:
host: risk-model-service
subset: v1
weight: 90
- destination:
host: risk-model-service
subset: v2
weight: 10配合 Grafana 中配置的 rate(http_request_duration_seconds_count{job="risk-model", version="v2"}[5m]) / rate(http_request_duration_seconds_count{job="risk-model"}[5m]) 动态占比看板，当 v2 版本错误率突破 0.3% 阈值时自动触发 Webhook 回滚。该机制在 3 次重大模型迭代中拦截了 2 起潜在资损事件。
架构治理工具链的持续强化
通过将 ArchUnit 规则嵌入 Maven 构建阶段，强制约束模块依赖关系。例如禁止 order-service 模块直接调用 user-database 包：
@ArchTest
static final ArchRule domain_layer_must_not_depend_on_persistence =
classes().that().resideInAPackage("..domain..")
.should().onlyDependOnClassesThat().resideInAnyPackage(
"..domain..",
"..common..",
"java..",
"javax.."
);该规则在 2023 年 Q4 共拦截 17 次违规提交，其中 3 次涉及跨域敏感数据访问路径。
新兴技术落地的风险平衡点
eBPF 在网络可观测性场景的应用已覆盖全部 12 个核心集群，但严格限制在 tracepoint 和 kprobe 类型，禁用 kretprobe（因内核版本兼容性风险）。所有 eBPF 程序需通过 Cilium 的 cilium-bpf 编译器进行字节码校验，并在 CI 中执行 bpftool prog list | grep 'tag:' 验证签名一致性。
未来三年技术债偿还路线图
根据技术雷达评估结果，当前待解决的三大优先级事项包括：遗留 Java 8 应用向 GraalVM Native Image 迁移（已完成 PoC，启动 3 个试点服务）、Prometheus 远程写入链路 TLS 1.2 强制升级（Q2 完成全量切换）、以及分布式追踪中 SpanContext 的 W3C TraceContext 与 B3 兼容层去耦（计划通过 OpenTelemetry SDK v1.33+ 原生支持替代自研适配器）。
