第一章：Go分布式文件分片上传系统架构全景概览
该系统面向海量小文件与超大单文件（如视频、镜像包）场景，采用无状态服务设计、横向可伸缩组件和最终一致性保障机制，构建高可用、低延迟、强容错的分片上传基础设施。
核心设计原则
- 客户端主导分片：由前端或CLI工具按固定大小（默认5MB）切分原始文件，并计算每个分片的SHA256摘要，避免服务端重复I/O；
- 元数据与数据分离：分片二进制数据直传对象存储（如MinIO/S3），上传任务元信息（文件ID、分片序号、摘要、状态）存于分布式键值库（etcd）；
- 幂等性保障：每个分片上传请求携带唯一
upload_id + chunk_index组合，服务端通过CAS操作校验并拒绝重复提交。
关键组件职责
- Upload Gateway：接收HTTP multipart请求，校验JWT令牌与配额，生成全局唯一
upload_id，返回预签名S3上传URL（含x-amz-meta-chunk-index和x-amz-meta-upload-id）； - Coordinator Service：监听etcd事件，聚合所有分片状态，触发合并逻辑（调用
MergeWorker）；当95%以上分片就绪且连续序号达阈值时启动合并； - MergeWorker：拉取S3中已上传分片，按序拼接+校验整体MD5，写入归档桶，更新主文件元数据为
completed状态。
典型上传流程示意
- 客户端发起
POST /v1/upload/init获取upload_id； - 并发上传分片：
PUT https://s3.example.com/bucket/{upload_id}/0001?X-Amz-Signature=...（Header含x-amz-meta-chunk-index: 1）； - 所有分片提交后，调用
POST /v1/upload/commit?upload_id=xxx触发协调器检查；
# 示例：使用curl模拟首分片上传（需提前获取预签名URL）
curl -X PUT \
-H "x-amz-meta-upload-id: up_abc123" \
-H "x-amz-meta-chunk-index: 0" \
-H "Content-MD5: $(base64 -i chunk_0.bin | md5sum | cut -d' ' -f1)" \
--data-binary @chunk_0.bin \
"https://minio.local:9000/uploads/up_abc123/0000?X-Amz-Algorithm=..."该架构支持每秒万级分片接入，单集群可承载PB级活跃上传任务，且各层组件均可独立扩缩容。
第二章：核心传输机制的Go语言实现与性能优化
2.1 基于HTTP/2与流式分片的并发上传模型设计与压测验证
传统HTTP/1.1上传在高并发场景下受限于队头阻塞与连接复用低效。我们采用HTTP/2多路复用能力，结合动态流式分片（chunk size = 4MB，基于网络RTT自适应调整），实现单连接内并行传输多个文件分片。
核心上传流程
// 客户端流式分片上传（使用Fetch + ReadableStream）
const uploadStream = async (file, uploadUrl) => {
const stream = file.stream(); // 获取原生ReadableStream
const reader = stream.getReader();
let chunkId = 0;
while (true) {
const { done, value } = await reader.read();
if (done) break;
await fetch(uploadUrl, {
method: 'POST',
headers: {
'Content-Type': 'application/octet-stream',
'X-Chunk-ID': `${chunkId++}`,
'X-Upload-ID': 'uuid-123' // 关联会话
},
body: value // 直接流式传递二进制块
});
}
};逻辑分析：利用HTTP/2天然支持的请求级并行性，每个
fetch调用映射为独立stream；X-Chunk-ID确保服务端可乱序重组；body: value避免内存拷贝，降低GC压力。参数uploadUrl需携带预签名凭证，保障鉴权时效性。
压测关键指标（500并发用户）
| 指标 | HTTP/1.1（均值） | HTTP/2+流式（均值） | 提升 |
|---|---|---|---|
| P95上传延迟 | 3.2s | 0.87s | 73% ↓ |
| 连接复用率 | 12% | 98% | — |
graph TD
A[客户端] -->|HTTP/2 Stream 1| B[分片0]
A -->|HTTP/2 Stream 2| C[分片1]
A -->|HTTP/2 Stream 3| D[分片2]
B & C & D --> E[服务端合并写入对象存储]2.2 断点续传协议栈：ETag校验、分片指纹索引与本地状态持久化（BoltDB实践）
数据同步机制
断点续传依赖三重保障：服务端 ETag 提供资源版本一致性校验；客户端对文件按固定大小（如 5MB）切片，每片计算 SHA256 生成唯一指纹；本地状态需原子写入，避免崩溃导致元数据错乱。
BoltDB 状态持久化设计
使用 BoltDB 的单一 bucket 存储分片进度：
db.Update(func(tx *bolt.Tx) error {
bkt := tx.Bucket([]byte("upload_state"))
// key: "file_id:shard_idx", value: JSON{"offset":10485760,"etag":"abc123","done":false}
return bkt.Put([]byte("f123:2"), []byte(`{"offset":10485760,"etag":"abc123","done":false}`))
})逻辑分析：
Put在事务内执行，确保写入原子性；file_id:shard_idx复合键支持 O(1) 查找；JSON 值保留分片偏移、服务端 ETag 及完成状态，为恢复提供完整上下文。
校验与恢复流程
graph TD
A[启动上传] --> B{读取本地状态}
B -->|存在未完成分片| C[比对服务端ETag]
C -->|ETag匹配| D[跳过已传分片]
C -->|ETag不匹配| E[重新上传该分片]
D --> F[继续下一分片]| 字段 | 类型 | 说明 |
|---|---|---|
offset |
int64 | 已成功写入服务端的字节偏移 |
etag |
string | 对应分片的服务端校验值 |
done |
bool | 是否已确认提交 |
2.3 秒传能力工程化落地：客户端内容寻址（SHA256+BLAKE3双哈希比对）与服务端全局去重缓存（LRU-GC混合策略）
客户端双哈希协同校验
为兼顾安全性与性能，客户端并行计算 SHA256（抗碰撞强）与 BLAKE3（吞吐达 3.5 GB/s）：
import hashlib, blake3
def dual_hash(chunk: bytes) -> tuple[str, str]:
sha = hashlib.sha256(chunk).hexdigest()[:32] # 截断为128位降低存储开销
blake = blake3.blake3(chunk).hexdigest()[:32] # 保持与SHA等长便于索引对齐
return sha, blake逻辑分析：截断非降低安全性，而是优化服务端布隆过滤器内存占用；BLAKE3 使用默认参数（单线程、无密钥），确保跨平台哈希一致；双哈希异构设计可抵御单一算法漏洞。
服务端缓存淘汰策略
采用 LRU-GC 混合机制：热数据由 LRU 维护访问时序，冷数据定期触发 GC 扫描引用计数归零块。
| 策略 | 触发条件 | 响应延迟 | 适用场景 |
|---|---|---|---|
| LRU 淘汰 | 缓存满 + 新块写入 | 高频热点文件 | |
| GC 回收 | 每小时定时扫描 | ~200ms | 长期静默冗余块 |
数据同步机制
graph TD
A[客户端分块] --> B[并发计算SHA256/BLAKE3]
B --> C{服务端查缓存}
C -->|命中| D[返回已有chunk_id]
C -->|未命中| E[上传原始块+双哈希元数据]
E --> F[写入存储+更新LRU/GC索引]2.4 多端协同状态同步：基于CRDT的轻量级元数据一致性协议与Go-kit Transport层适配
数据同步机制
采用 LWW-Element-Set（Last-Write-Wins Set）CRDT 实现无冲突合并，每个元数据项携带逻辑时钟（vector clock）与设备ID，支持离线编辑与最终一致。
Go-kit Transport 适配要点
- 将 CRDT 操作封装为
SyncEvent消息体 - 复用
go-kit/transport/http的ServerOption注入状态校验中间件 - 序列化统一使用 Protocol Buffers v3，减少带宽开销
核心同步操作示例
// SyncEvent 定义（简化版）
type SyncEvent struct {
DeviceID string `protobuf:"bytes,1,opt,name=device_id"`
Timestamp int64 `protobuf:"varint,2,opt,name=timestamp"` // Lamport 逻辑时间
Additions []string `protobuf:"bytes,3,rep,name=additions"`
Removals []string `protobuf:"bytes,4,rep,name=removals"`
}该结构支持幂等合并：接收方按 Timestamp 排序后依次应用增删操作；DeviceID 防止自环同步；所有字段均为可选，兼容增量更新。
| 特性 | CRDT 实现 | 传统中心化锁 |
|---|---|---|
| 离线支持 | ✅ 原生支持 | ❌ 需重连重试 |
| 吞吐扩展性 | ✅ O(1) 合并复杂度 | ⚠️ 线性增长 |
| 最终一致性延迟 | 秒级（依赖网络RTT） | 毫秒级（但强依赖DB） |
graph TD
A[客户端A本地变更] --> B[生成SyncEvent]
C[客户端B本地变更] --> D[生成SyncEvent]
B --> E[HTTP POST /sync]
D --> E
E --> F[Transport解码+时钟校验]
F --> G[CRDT merge]
G --> H[广播新状态]2.5 高吞吐管道调优：零拷贝IO路径重构、goroutine池限流与内核TCP参数协同调参（实测1.2GB/s达成分析）
零拷贝路径重构（io_uring + splice）
// 使用 io_uring 提交 splice 操作，绕过用户态缓冲区
sqe := ring.GetSQE()
io_uring_prep_splice(sqe, srcFd, 0, dstFd, 0, 1<<20, 0) // 直接内核态管道转发
io_uring_submit(ring)逻辑分析：splice() 在内核中完成 fd→fd 数据搬运，避免 read()+write() 的四次上下文切换与两次内存拷贝；1<<20（1MB）为最优原子传输粒度，实测在4K~1MB间吞吐达峰。
goroutine 池动态限流
| 并发数 | 吞吐（GB/s） | P99延迟（μs） |
|---|---|---|
| 32 | 0.87 | 42 |
| 128 | 1.20 | 68 |
| 256 | 1.15 | 132 |
内核协同调参关键项
net.ipv4.tcp_rmem="4096 262144 16777216"net.core.somaxconn=65535vm.swappiness=1
graph TD
A[应用层数据] -->|splice| B[内核页缓存]
B -->|zero-copy| C[TCP发送队列]
C -->|tcp_wmem| D[网卡DMA]第三章：MinIO深度集成与分布式对象存储治理
3.1 MinIO多租户Bucket自动伸缩与跨集群联邦配置（Go SDK驱动）
MinIO 多租户场景下，需为不同租户动态创建隔离 Bucket，并联动联邦集群实现负载分发与高可用。
自动伸缩 Bucket 创建逻辑
使用 minio-go SDK 按租户 ID 命名并启用生命周期策略：
opts := minio.MakeBucketOptions{
ObjectLocking: true,
Region: "us-east-1",
}
err := client.MakeBucket(ctx, fmt.Sprintf("tenant-%s-data", tenantID), "", opts)
// 参数说明：tenantID 来自 JWT 声明；ObjectLocking 启用 WORM 防篡改；空 locationConstraint 触发默认区域路由跨集群联邦配置要点
需在各 MinIO 服务端 config.json 中声明联邦组：
| 字段 | 值示例 | 作用 |
|---|---|---|
federation.endpoints |
["http://cluster-a:9000","http://cluster-b:9000"] |
定义对等联邦节点 |
federation.arn |
arn:minio:federation:tenant-* |
通配符匹配租户级策略 |
数据同步机制
graph TD
A[SDK 创建 tenant-001-data] --> B{MinIO Gateway Router}
B --> C[Cluster-A: 主写入]
B --> D[Cluster-B: 异步复制]
C --> E[基于 IAM 策略的租户配额限流]3.2 分片元数据与对象存储语义对齐：Multipart Upload生命周期管理与异常中断恢复
对象存储的分片上传并非简单切块，而是需将客户端分片元数据（如 PartNumber、ETag、Size）与服务端持久化状态严格对齐，确保幂等性与可恢复性。
分片元数据关键字段语义
UploadId：全局唯一会话标识，绑定 Bucket + Key + 时间上下文PartNumber：1–10000 整数，不可重复且必须连续提交（部分服务允许跳号但最终列表校验强制排序）ETag：服务端按实际接收内容计算（非 MD5），用于完整性比对
异常中断恢复流程
# 恢复已上传分片并续传
list_parts = s3.list_parts(Bucket="my-bucket", Key="large.zip", UploadId="abc123")
uploaded_nums = {p["PartNumber"] for p in list_parts["Parts"]}
next_part = max(uploaded_nums) + 1 if uploaded_nums else 1
# 从断点续传第 next_part 片（需本地缓存原始分片偏移）
with open("large.zip", "rb") as f:
f.seek((next_part - 1) * PART_SIZE)
data = f.read(PART_SIZE)
resp = s3.upload_part(
Bucket="my-bucket",
Key="large.zip",
PartNumber=next_part,
UploadId="abc123",
Body=data
)此代码依赖
list_parts的最终一致性保障；PartNumber必须与原始分片逻辑位置一致，否则合并时校验失败。Body长度需匹配首次预估分片大小（服务端不校验跨分片内容重叠）。
生命周期状态迁移
| 状态 | 触发操作 | 可逆性 |
|---|---|---|
Initiated |
CreateMultipartUpload |
是 |
InProgress |
至少一个 UploadPart |
是 |
Completed |
CompleteMultipartUpload |
否 |
Aborted |
AbortMultipartUpload |
否 |
graph TD
A[Initiated] -->|UploadPart| B[InProgress]
B -->|CompleteMultipartUpload| C[Completed]
B -->|AbortMultipartUpload| D[Aborted]
A -->|AbortMultipartUpload| D3.3 存储层可观测性增强：自定义Prometheus指标埋点与MinIO审计日志实时解析（Go-kit Middleware封装）
核心设计思路
将可观测性能力下沉至存储网关层，通过 Go-kit Middleware 统一封装指标采集与日志解析逻辑，避免业务 handler 污染。
自定义 Prometheus 埋点示例
// 定义存储操作延迟直方图（单位：毫秒）
var storageOpDuration = prometheus.NewHistogramVec(
prometheus.HistogramOpts{
Name: "storage_operation_duration_ms",
Help: "Latency of storage operations in milliseconds",
Buckets: prometheus.ExponentialBuckets(1, 2, 10), // 1ms ~ 512ms
},
[]string{"operation", "bucket", "status"}, // 多维标签支撑下钻分析
)该指标在
minioClient.PutObject()前后打点，status标签动态注入"success"或"error"，bucket来自请求上下文。直方图桶按指数分布设置，精准覆盖高频低延迟场景。
MinIO 审计日志解析流程
graph TD
A[MinIO Audit Log JSON] --> B{Go-kit Middleware}
B --> C[JSON 解析 & 字段提取]
C --> D[结构化日志写入 Kafka]
D --> E[Logstash 实时消费 → ES]关键指标维度对照表
| 维度字段 | 来源 | 用途 |
|---|---|---|
user_name |
MinIO audit log | 行为归属分析 |
object_name |
请求路径解析 | 热点对象识别 |
http_status |
HTTP 响应码 | 错误率监控 |
response_size |
Content-Length |
流量异常检测 |
第四章：Go-kit微服务治理与生产级可靠性保障
4.1 四层服务拆分：Upload Gateway / Shard Coordinator / Dedup Service / Metadata Syncer 的职责边界与gRPC接口契约
职责边界概览
- Upload Gateway：无状态接入层，负责 TLS 终止、JWT 验证、分块路由；不处理业务逻辑
- Shard Coordinator：动态分配上传分片到存储节点，维护 shard topology 一致性
- Dedup Service：基于内容指纹（SHA-256）执行全局去重，返回已存在 blob ID 或空响应
- Metadata Syncer：异步双写元数据至主库与搜索索引，保障最终一致性
gRPC 接口契约示例（DedupService）
// dedup_service.proto
service DedupService {
rpc CheckDigest (CheckDigestRequest) returns (CheckDigestResponse);
}
message CheckDigestRequest {
string digest = 1; // SHA-256 hex string, e.g. "a1b2c3..."
string upload_id = 2; // for audit traceability
}
message CheckDigestResponse {
bool exists = 1; // true if identical blob already stored
string blob_id = 2; // present only when exists == true
}该接口严格遵循幂等性设计：digest 为唯一键，upload_id 仅用于链路追踪，不参与去重判定。服务端须在 50ms 内完成布隆过滤器 + Redis 检查双阶段验证。
各服务协作流程
graph TD
UG[Upload Gateway] -->|UploadRequest| SC[Shard Coordinator]
SC -->|shard_assignment| DS[Dedup Service]
DS -->|blob_id or null| MS[Metadata Syncer]
MS -->|async commit| DB[(Primary DB)]
MS -->|async index| ES[(Elasticsearch)]4.2 熔断降级实战：基于Hystrix-go的分片上传链路熔断器与优雅降级策略（降级至单片直传模式）
当分片上传服务因OSS网关超时或分片协调器不可用而频繁失败时，需立即切断故障传播。我们使用 hystrix-go 为 UploadChunk 方法配置熔断器：
hystrix.ConfigureCommand("upload-chunk", hystrix.CommandConfig{
Timeout: 3000, // 毫秒级超时，防长尾
MaxConcurrentRequests: 50, // 防雪崩并发控制
RequestVolumeThreshold: 20, // 每10秒窗口内至少20次调用才触发统计
ErrorPercentThreshold: 50, // 错误率超50%开启熔断
SleepWindow: 60000, // 熔断后60秒静默期
})该配置使系统在连续异常后自动切换至降级逻辑——调用 UploadDirectly() 执行单片直传，保障核心上传可用性。
降级触发条件对比
| 场景 | 是否触发熔断 | 降级行为 |
|---|---|---|
| 分片协调器返回503 | ✅ | 切换至单片直传 |
| 单个分片超时（ | ❌ | 重试2次后上报监控 |
| 全局错误率升至55% | ✅ | 拒绝新分片请求，全量降级 |
熔断状态流转（mermaid）
graph TD
A[正常] -->|错误率≥50%且请求数≥20| B[开启熔断]
B --> C[拒绝新请求]
C -->|60s后| D[半开状态]
D -->|试探成功| A
D -->|试探失败| B4.3 分布式事务补偿：Saga模式实现分片提交-元数据落库-通知广播的最终一致性保障
Saga 模式将长事务拆解为一系列本地事务，每个步骤对应一个可逆的补偿操作。在订单履约场景中，典型流程包含三阶段：分片提交（库存预占）→ 元数据落库（订单持久化）→ 通知广播（触发下游服务）。
核心执行链路
// Saga Orchestrator 中协调逻辑（简化）
saga.start()
.step("reserve-stock", reserveStock()) // 正向：扣减分片库存
.compensate("cancel-reserve", cancelStock()) // 补偿：释放预占
.step("persist-order", persistOrder()) // 正向：写入分片订单表
.compensate("delete-order", deleteOrder()) // 补偿：软删除
.step("publish-event", publishEvent()) // 正向：发MQ事件
.compensate("retract-event", retractEvent()); // 补偿：发送回滚通知reserveStock() 调用分片键（如 sku_id % 16）路由至对应库存库；persistOrder() 同步写入订单元数据表并生成全局唯一 saga_id；publishEvent() 携带该 ID 与状态快照，供下游幂等消费。
状态机与可靠性保障
| 阶段 | 成功动作 | 失败处理策略 |
|---|---|---|
| 分片提交 | 更新 stock_reserved=1 |
触发 cancel-reserve |
| 元数据落库 | 插入 order_status=CREATED |
回滚前序并标记 SAGA_FAILED |
| 通知广播 | 发送 ORDER_CREATED 事件 |
异步重试 + 死信告警 |
graph TD
A[开始Saga] --> B[分片提交]
B -->|成功| C[元数据落库]
C -->|成功| D[通知广播]
D -->|成功| E[标记COMPLETED]
B -->|失败| F[执行cancel-reserve]
C -->|失败| G[执行delete-order]
D -->|超时/失败| H[触发retract-event]4.4 安全加固实践：JWT-OIDC联合鉴权、分片级AES-256-GCM客户端加密与TLS 1.3双向认证
联合鉴权流程设计
OIDC Provider（如Keycloak）颁发含 groups 和 tenant_id 声明的JWT；网关校验签名并透传至微服务，服务端基于 tenant_id 动态加载租户密钥策略。
客户端加密实现
// 分片级加密：每份数据块独立nonce + AEAD
const iv = crypto.getRandomValues(new Uint8Array(12)); // GCM要求12字节IV
const key = await deriveKey(tenantSecret, 'AES-256-GCM');
const encrypted = await crypto.subtle.encrypt(
{ name: 'AES-GCM', iv, tagLength: 128 },
key,
new TextEncoder().encode(JSON.stringify(payload))
);逻辑分析：iv 全局唯一且不重用；deriveKey 使用HKDF-SHA256从租户主密钥派生会话密钥；tagLength: 128 确保认证标签强度匹配AES-256安全性。
TLS 1.3双向认证关键配置
| 参数 | 推荐值 | 说明 |
|---|---|---|
min_version |
TLSv1.3 |
禁用降级攻击 |
verify_mode |
VERIFY_PEER \| VERIFY_FAIL_IF_NO_PEER_CERT |
强制客户端证书验证 |
graph TD
A[Client] -->|ClientCert + signature| B[API Gateway]
B -->|JWT introspect + OCSP stapling| C[OIDC Provider]
C -->|Validated token| D[Service]
D -->|Per-shard AES-GCM decrypt| E[App Logic]第五章：系统压测结果、线上故障复盘与演进路线图
压测环境与基准配置
本次压测基于真实生产镜像构建，部署于 8 台 32C64G 的阿里云 ECS（centos7.9 + kernel 5.10），负载均衡采用 ALB，后端服务为 Spring Boot 3.2 + PostgreSQL 14 + Redis 7 集群。全链路启用 OpenTelemetry v1.32 进行埋点，JMeter 5.6 模拟 12,000 并发用户，持续压测 30 分钟，请求类型覆盖登录（JWT 签发）、商品查询（缓存穿透防护）、下单（分布式事务）三类核心场景。
关键性能指标对比表
| 指标 | 基线版本（v2.4.1） | 优化后版本（v2.5.0） | 提升幅度 |
|---|---|---|---|
| P95 响应延迟（ms） | 842 | 216 | ↓74.3% |
| 下单成功率 | 92.1% | 99.98% | ↑7.88pp |
| PostgreSQL 连接池占用峰值 | 287/300 | 92/300 | ↓67.9% |
| Redis 缓存命中率 | 76.4% | 98.2% | ↑21.8pp |
| JVM GC 暂停时间（max） | 1.2s | 48ms | ↓96% |
三次典型线上故障深度复盘
- 2024-03-17 支付回调积压：微信支付回调接口因未做幂等校验 + RocketMQ 消费者线程阻塞（同步调用外部风控 API 超时未设 fallback），导致 2 小时内积压 14.7 万条消息；修复方案为引入本地 Redis Token 校验 + 异步熔断降级（Hystrix 替换为 Resilience4j）。
- 2024-04-09 商品详情页雪崩：CDN 缓存失效窗口期，突发流量击穿至 DB，触发 PostgreSQL
shared_buffers耗尽，连接数达 298；根因为缓存预热脚本未随新 SKU 上线自动执行，已通过 Argo CD Pipeline 集成缓存预热 Job。 - 2024-05-22 用户中心 OOM：某次灰度发布中，MyBatis-Plus 的
@SelectProvider动态 SQL 生成逻辑存在 N+1 查询缺陷，且未开启二级缓存，GC 后堆内存持续增长至 5.8GB；通过 Arthaswatch定位 SQL 执行链路，重构为批量查询 + Caffeine 本地缓存。
技术债收敛与演进优先级
graph LR
A[当前主干：Spring Boot 3.2] --> B[Q3 2024：迁移至 Quarkus 3.13]
B --> C[Q4 2024：PostgreSQL 分库分表落地 ShardingSphere 5.4]
C --> D[2025 Q1：核心服务 Mesh 化，Istio 1.22 + eBPF 流量观测]
D --> E[2025 Q2：AI 辅助压测，基于历史 trace 数据生成智能流量模型]实时监控能力升级清单
- 新增 Prometheus 自定义指标
http_server_request_duration_seconds_bucket{app=~\"order-service\",le=\"200\"}，替代原有日志解析方案，告警延迟从 90s 降至 8s； - Grafana 仪表盘嵌入 Flame Graph 组件，支持点击任意 P99 接口直接下钻至 CPU 火焰图；
- ELK 日志体系接入 OpenSearch 2.11，通过
pipeline实现异常堆栈自动聚类（基于 Levenshtein 距离 + 关键词权重），每日重复告警下降 63%； - 生产环境全链路开启 Async Profiler，每 15 分钟采集一次 JFR 快照，存储至 MinIO 并关联 TraceID，用于事后根因分析。
压测数据持久化与回放机制
构建独立的压测数据湖：所有 JMeter 原始 CSV、OTLP trace 数据、Prometheus snapshot 均按压测 ID 归档至 S3，配合自研工具 replay-cli 可一键还原任意历史压测场景。例如，针对 2024-05-11 的高并发秒杀压测，已固化为标准回归用例，每次发版前自动执行，阈值校验项包含：下单耗时 P99 ≤ 350ms、库存扣减一致性误差 ≤ 0.001%、DB 主从延迟 ≤ 120ms。
