【Go可观测性基建缺失清单】：马士兵团队审计87个Go服务后确认的7个SLO盲区

第一章：Go可观测性基建缺失清单的总体认知

在生产级 Go 服务中，“可观测性”常被误等同于“加几个日志语句”或“接一个 Prometheus”，但真实缺口远不止于此。缺乏系统性设计时，监控、追踪与日志三者彼此割裂，指标无语义上下文，trace 无法关联请求生命周期，日志缺乏结构化与唯一 traceID 注入，导致故障定位耗时指数级上升。

常见缺失项可归纳为以下几类：

• 指标维度缺失：HTTP 请求仅统计总量，未按 status_code、handler_name、path_template（如 /api/v1/users/{id}）多维打点
• 链路追踪断层：goroutine 启动、数据库查询、HTTP 客户端调用未自动注入 span context，导致跨 goroutine 或跨组件 trace 断开
• 日志不可关联：logrus/zap 日志未集成 OpenTelemetry SDK，缺失 trace_id、span_id、service.name 等字段，无法与指标/trace 对齐
• 健康信号空白：无 /healthz 标准探针，或探针未校验下游依赖（如 Redis 连通性、DB 连接池可用数）

验证当前可观测性水位，可执行一键诊断脚本：

# 检查是否启用 OTel SDK 并导出 trace/metrics
go list -m all | grep -i "opentelemetry\|otel"
# 输出应包含：go.opentelemetry.io/otel v1.24.0 及相关 exporter（如 otel/exporters/otlp/otlptrace）

# 验证 HTTP handler 是否自动注入 trace context（示例中间件）
# 若未见类似代码，则存在链路断层风险：
// middleware.go
func TraceMiddleware(next http.Handler) http.Handler {
    return http.HandlerFunc(func(w http.ResponseWriter, r *http.Request) {
        ctx := r.Context()
        span := trace.SpanFromContext(ctx) // 从 context 提取 span
        if span.SpanContext().IsValid() {
            r = r.WithContext(otel.GetTextMapPropagator().Extract(ctx, propagation.HeaderCarrier(r.Header)))
        }
        next.ServeHTTP(w, r)
    })
}

可观测性不是事后补救工具，而是服务设计的前置契约。当 go run main.go 启动后，若无法在 Grafana 查看 http_request_duration_seconds_bucket{handler="UserGet", status_code="200"} 的直方图，或在 Jaeger 中搜索 traceID 无法串联 DB 查询与 HTTP 响应，即表明基建已存在结构性缺口——这并非配置问题，而是架构决策缺位。

第二章：SLO盲区的底层原理与工程验证

2.1 SLO定义偏差：从SLI采集到目标对齐的理论断层与go-kit实践校准

SLO落地常因SLI采集粒度、计算口径与业务目标错位而失效。例如，HTTP成功率SLI若仅统计2xx/5xx而忽略429（限流），将高估可用性。

数据同步机制

go-kit的endpoint.Middleware可统一注入SLI采集逻辑：

func SLIMiddleware() endpoint.Middleware {
  return func(next endpoint.Endpoint) endpoint.Endpoint {
    return func(ctx context.Context, req interface{}) (interface{}, error) {
      start := time.Now()
      resp, err := next(ctx, req)
      // 记录延迟、状态码、是否超时等维度
      metrics.ObserveLatency("http", time.Since(start))
      metrics.IncCounter("http_status", strconv.Itoa(respCode))
      return resp, err
    }
  }
}

该中间件确保所有端点以一致语义采集SLI，避免路径级采集偏差；respCode需从响应体或context中安全提取，防止panic。

理论断层映射表

抽象层	常见偏差	go-kit校准方式
SLI定义	忽略重试/客户端超时	在transport层埋点
SLO目标	未按用户会话聚合	使用group.Labels分组

graph TD
  A[原始HTTP请求] --> B[Transport层：记录TCP连接耗时]
  B --> C[Endpoint层：记录业务处理延迟]
  C --> D[Middleware：统一状态码归因]
  D --> E[Metrics Collector：按SLI Schema聚合]

2.2 黄金信号失真：延迟/错误/饱和度在Go HTTP/gRPC服务中的采样陷阱与pprof+prometheus联合修复

黄金信号（Latency、Errors、Saturation）在高并发Go服务中常因采样偏差而失真：HTTP中间件未捕获gRPC流式错误、http.Handler绕过指标埋点、或runtime.ReadMemStats被高频调用导致pprof阻塞，进而污染Prometheus histogram_quantile计算。

常见采样陷阱

• 延迟失真：仅统计ServeHTTP入口耗时，忽略gRPC UnaryServerInterceptor内重试开销
• 错误遗漏：status.Code(err) == codes.Unavailable未计入http_requests_total{code=~"5.."}
• 饱和度误判：用Goroutines替代http_server_connections{state="idle"}，忽略连接池真实水位

pprof+Prometheus协同诊断流程

graph TD
    A[pprof CPU profile] --> B[识别goroutine阻塞点]
    C[Prometheus histogram_quantile] --> D[定位P99延迟突增时段]
    B & D --> E[交叉比对：/debug/pprof/goroutine?debug=2@timestamp]

修复示例：统一观测拦截器

func MetricsInterceptor() grpc.UnaryServerInterceptor {
    return func(ctx context.Context, req interface{}, info *grpc.UnaryServerInfo,
        handler grpc.UnaryHandler) (resp interface{}, err error) {
        start := time.Now()
        resp, err = handler(ctx, req)
        // 关键：区分gRPC状态码，映射为HTTP语义
        code := status.Code(err)
        metrics.HTTPRequestsTotal.
            WithLabelValues("grpc", code.String()).Inc() // ← 避免仅用err != nil粗粒度计数
        metrics.HTTPRequestDuration.
            Observe(time.Since(start).Seconds())
        return resp, err
    }
}

该拦截器确保gRPC错误按codes.Internal/codes.DeadlineExceeded等细粒度分类上报，使Prometheus rate(http_requests_total{job="api"}[5m])与pprof火焰图时间轴严格对齐，消除黄金信号在协议边界处的语义断裂。

2.3 指标语义漂移：Go runtime指标（如GC pause、goroutine count）与业务SLO的因果链断裂及otlp-exporter语义标注方案

当runtime.GCStats().PauseNs飙升至毫秒级，订单超时率却未同步恶化——这揭示了指标语义与业务后果的断层。Go runtime指标天然缺乏上下文绑定：goroutines计数无法区分健康worker与卡死协程；gc_pauses_total未标记是否发生在支付关键路径。

OTLP语义增强实践

使用otlp-exporter注入业务维度：

// 为GC指标添加SLO上下文标签
exp, _ := otlpmetric.New(context.Background(), client,
    otlpmetric.WithResource(resource.MustNewSchema1(
        semconv.ServiceNameKey.String("payment-gateway"),
        semconv.ServiceVersionKey.String("v2.4.0"),
        // 关键：绑定SLO域
        attribute.String("slo.domain", "p99_payment_latency"),
        attribute.Bool("slo.impacted", true), // 显式声明影响性
    )),
)

该配置使go_gc_pause_seconds_total在后端自动关联service.slo.domain=payment_latency，修复指标-业务因果链。

典型语义漂移对照表

Runtime指标	原始语义	SLO对齐后语义
go_goroutines	协程总数	payment_active_workers
go_gc_duration_seconds	GC耗时分布	payment_path_gc_impact_ms

graph TD
    A[Go runtime metrics] -->|无上下文裸数据| B[Prometheus]
    B --> C[Alert on gc_pauses > 5ms]
    C --> D[误报：非关键路径GC]
    A -->|OTLP+semantic labels| E[OpenTelemetry Collector]
    E --> F[路由至 payment-slo-pipeline]
    F --> G[仅告警 path=checkout GC > 2ms]

2.4 跨服务追踪断点：OpenTelemetry Go SDK在中间件链路注入中的Span丢失根因分析与gin/echo/fiber框架适配实战

Span丢失常源于上下文未正确传递或中间件未启用自动注入。核心根因包括：

• HTTP Header 解析失败（如 traceparent 缺失或格式错误）
• 框架中间件执行顺序错位，导致 otelhttp 拦截器未包裹业务 handler
• Gin/Echo/Fiber 的 Context 与 context.Context 未桥接，导致 Span 上下文脱钩

框架适配关键差异

框架	Context 绑定方式	推荐注入方式	自动传播支持
Gin	c.Request.Context()	otelgin.Middleware()	✅（需启用 WithPropagators）
Echo	c.Request().Context()	otelecho.Middleware()	✅（依赖 echo.HTTPErrorHandler 链路完整性）
Fiber	c.UserContext()	otelfiber.Middleware()	⚠️（需显式调用 c.SetUserContext()）

Gin 中典型修复代码

func setupTracing() {
    tp := trace.NewTracerProvider(
        trace.WithSampler(trace.AlwaysSample()),
        trace.WithPropagators(propagation.NewCompositeTextMapPropagator(
            propagation.TraceContext{}, propagation.Baggage{},
        )),
    )
    otel.SetTracerProvider(tp)

    r := gin.Default()
    r.Use(otelgin.Middleware("api-service")) // ✅ 自动提取 traceparent 并创建子 Span
    r.GET("/users", func(c *gin.Context) {
        ctx := c.Request.Context() // ✅ 已携带父 Span
        span := trace.SpanFromContext(ctx)
        fmt.Printf("SpanID: %s\n", span.SpanContext().SpanID().String())
        c.JSON(200, gin.H{"ok": true})
    })
}

此代码确保 otelgin.Middleware 在路由前注入，将 traceparent 解析为 context.Context，使后续 trace.SpanFromContext 可安全调用；若省略 WithPropagators，跨服务 Header 将无法解析，导致 Span 断裂。

2.5 告警静默悖论：基于SLO Burn Rate的告警策略在Go微服务集群中的误触发与Prometheus Alertmanager动态抑制规则设计

SLO Burn Rate误触发根源

当服务处于灰度发布或瞬时流量尖峰时，burn_rate{job="api"} > 2 告警频繁触发，但实际错误率未突破长期SLO预算——本质是短周期（5m）Burn Rate对噪声过于敏感。

动态抑制规则设计

# alertmanager.yml 中的抑制组（仅作用于同service+env标签）
- name: 'slo-burn-rate-suppression'
  source_match:
    alertname: 'SLOBurnRateHigh'
  target_match_re:
    service: "(auth|order|payment)"
  equal: ['service', 'env', 'region']

该配置使同一服务在相同环境/地域下，高Burn Rate告警自动抑制彼此，避免级联风暴；equal字段确保抑制粒度精准匹配拓扑维度。

关键参数语义说明

• source_match：触发抑制的原始告警条件
• target_match_re：正则匹配被抑制目标，支持多服务批量管理
• equal：强制要求抑制双方共享标签值，防止跨环境误抑

抑制场景	是否生效	原因
auth服务prod环境	✅	service/env匹配
order服务staging	❌	env不一致，隔离安全

graph TD
  A[Prometheus触发SLOBurnRateHigh] --> B{Alertmanager检查抑制规则}
  B -->|匹配source_match| C[提取service/env/region标签]
  C --> D[查找target_match_re匹配的活跃告警]
  D -->|equal字段全吻合| E[抑制发送]

第三章：Go原生可观测性能力的结构性缺陷

3.1 net/http/pprof的生产禁用困境与替代方案：go.opentelemetry.io/otel/sdk/export/metric/prometheus零侵入集成

net/http/pprof 提供了强大的运行时诊断能力，但其默认暴露 /debug/pprof/ 端点存在严重安全风险——未经鉴权即可获取堆栈、goroutine、内存等敏感信息，因此生产环境必须禁用。

安全风险本质

• 默认绑定 localhost 仍可能因反向代理或容器网络被意外暴露
• 无认证、无速率限制、无访问审计

零侵入 Prometheus 替代路径

使用 OpenTelemetry SDK 的 Prometheus exporter，无需修改业务代码：

import (
    "go.opentelemetry.io/otel/sdk/metric"
    "go.opentelemetry.io/otel/sdk/metric/exporters/prometheus"
)

// 创建 Prometheus exporter（自动注册到 /metrics）
exporter, _ := prometheus.New()
provider := metric.NewMeterProvider(metric.WithExporter(exporter))

✅ 该 exporter 自动注册 HTTP handler 到 http.DefaultServeMux，路径为 /metrics；
✅ 所有 OTel Instrumentation（如 runtime、http）指标自动采集并转换为 Prometheus 格式；
✅ 无 pprof 类安全暴露，且天然支持 TLS、Basic Auth 等网关层防护。

方案	暴露路径	认证支持	指标类型	侵入性
net/http/pprof	/debug/pprof/*	❌	运行时诊断	高（需显式注册）
OTel + Prometheus	/metrics	✅（通过反向代理）	应用+运行时+自定义	零（仅初始化）

graph TD
    A[应用启动] --> B[初始化OTel MeterProvider]
    B --> C[Prometheus Exporter注册/metrics]
    C --> D[OTel Instrumentation自动上报]
    D --> E[Prometheus Server Scraping]

3.2 context.WithTimeout传播中断导致SLO计算窗口错位：goroutine泄漏场景下的trace上下文透传验证

当上游服务调用 context.WithTimeout(ctx, 5s) 后，若下游因 goroutine 泄漏未及时响应，ctx.Done() 触发但 trace span 仍处于 active 状态，导致 SLO 统计的“请求完成时间”被错误截断至超时点，而非真实处理终点。

数据同步机制

• SLO 计算依赖 trace.Span.End() 的精确时间戳
• context.WithTimeout 中断仅关闭 ctx.Done() channel，不自动终止 span
• 泄漏 goroutine 持有 span 引用，延迟上报，造成窗口偏移

关键验证代码

func handleRequest(ctx context.Context) {
    span := tracer.StartSpan("api.process", opentracing.ChildOf(extractSpanCtx(ctx)))
    defer span.Finish() // ⚠️ 若 ctx 超时但 goroutine 未退出，span.Finish() 永不执行

    select {
    case <-time.After(8 * time.Second): // 模拟慢处理
        span.SetTag("status", "success")
    case <-ctx.Done(): // 此处 ctx.Err() == context.DeadlineExceeded，但 span 未结束！
        span.SetTag("status", "timeout")
        return // goroutine 仍在运行，span 泄漏
    }
}

逻辑分析：ctx.Done() 触发后函数返回，但 time.After(8s) 的 goroutine 仍在后台运行，span 对象未被 Finish()，导致 trace 上报延迟或丢失；opentracing.ChildOf(...) 透传失败，下游 trace 上下文链路断裂。

错位影响对比（单位：ms）

场景	SLO 统计完成时间	实际处理完成时间	窗口偏移
正常流程	4200	4200	0
goroutine 泄漏+WithTimeout	5000（超时截断）	8000	+3000

graph TD
    A[Client Request] --> B[WithTimeout 5s]
    B --> C{Downstream Goroutine}
    C -->|Leaked| D[span never Finish()]
    C -->|TimedOut| E[ctx.Done() fired]
    E --> F[SLO window capped at 5s]
    D --> G[Actual latency = 8s → SLO violation masked]

3.3 Go module依赖树中可观测性组件版本冲突：go.sum锁定+replace指令在otel-go-instrumentation中的稳定性保障

版本冲突的典型诱因

当 otel-go-instrumentation 间接依赖多个 go.opentelemetry.io/otel 子模块（如 sdk, trace, metrics）时，不同路径引入的 minor 版本差异（如 v1.21.0 vs v1.22.0）将触发 go build 的版本不一致错误。

go.sum 与 replace 的协同机制

# go.mod 中强制统一 otel 生态版本
replace go.opentelemetry.io/otel => go.opentelemetry.io/otel v1.22.0
replace go.opentelemetry.io/otel/sdk => go.opentelemetry.io/otel/sdk v1.22.0

此 replace 指令在 go mod tidy 后生效，覆盖所有 transitive 依赖的版本解析路径；go.sum 则固化校验和，防止替换后二进制漂移——二者共同构成“语义版本锚定”。

关键参数说明

• replace 仅影响构建时解析，不修改依赖声明，保留上游兼容性契约；
• go.sum 校验覆盖 replace 后的实际下载包，确保可重现构建。

组件	作用
go.sum	锁定 checksum，防篡改
replace 指令	重写模块路径与版本
go mod verify	验证 sum 文件完整性

graph TD
    A[go build] --> B{解析依赖树}
    B --> C[发现多版本 otel]
    C --> D[应用 replace 规则]
    D --> E[下载 v1.22.0 全量包]
    E --> F[校验 go.sum 中对应 checksum]
    F --> G[构建成功]

第四章：马士兵团队87个Go服务审计方法论与落地工具链

4.1 审计清单驱动：基于SLO-KPI映射矩阵的Go服务可观测性成熟度评分卡（含checklist代码模板）

可观测性成熟度并非主观判断，而是可量化、可审计的工程实践。核心在于将业务SLO（如“99.5%请求P95 http_server_duration_seconds_bucket{le="0.3"}），形成双向追溯矩阵。

SLO-KPI映射矩阵示例

SLO条目	关联KPI指标	数据源	采集频率	合规阈值
API可用性 ≥ 99.9%	http_server_requests_total{status=~"5.."} / http_server_requests_total	Prometheus	15s

可审计Checklist代码模板（Go）

// checklist.go：轻量级运行时自检入口
func RunAudit() map[string]AuditResult {
    return map[string]AuditResult{
        "slo_latency_p95":  CheckP95Latency("0.3"), // 阈值单位：秒
        "slo_error_rate":   CheckErrorRate(0.001),   // 允许错误率
        "metric_cardinality": CheckCardinality(1000), // 标签组合上限
    }
}

逻辑说明：CheckP95Latency("0.3") 调用Prometheus API查询最近5分钟http_server_duration_seconds_bucket直方图，按le="0.3"累加占比并校验是否≥99.5%；参数"0.3"为SLO定义的P95硬性上限，非配置项而是契约声明。

成熟度评分逻辑（mermaid）

graph TD
A[采集完备性] --> B[指标语义对齐]
B --> C[SLO-KPI双向追溯]
C --> D[自动告警闭环]
D --> E[评分≥80 → L3成熟]

4.2 自动化探测工具：go-slo-audit CLI扫描器实现HTTP handler覆盖率分析与metric暴露路径验证

go-slo-audit 是一款轻量级 CLI 工具，专为 Go 微服务 SLO 合规性审计设计。其核心能力之一是静态+运行时协同分析 HTTP handler 覆盖率，并验证 /metrics 等关键观测端点是否真实暴露。

扫描器架构概览

// main.go 中的初始化逻辑
audit, err := sloaudit.NewScanner(
    sloaudit.WithHandlerDiscovery("github.com/myorg/api/cmd/server"),
    sloaudit.WithMetricPath("/metrics"), // 可配置暴露路径
    sloaudit.WithTimeout(5 * time.Second),
)

该初始化注入了包路径反射式 handler 发现策略、自定义 metrics 路径及超时控制——确保在无运行实例时仍可完成源码级覆盖率估算。

验证维度对比

维度	静态分析	运行时探测
handler 数量	✅ 基于 http.HandleFunc/r.HandleFunc 模式匹配	❌ 依赖进程存活
metric 可达性	❌ 仅校验路由注册	✅ 发起 HTTP GET 并检查 200 + # HELP 行

执行流程

graph TD
    A[解析 go.mod 获取主模块] --> B[AST 扫描 handler 注册语句]
    B --> C[生成覆盖率报告]
    C --> D[启动本地 probe server]
    D --> E[向 /metrics 发起 HEAD 请求]
    E --> F[校验响应头与内容类型]

支持 -v 输出详细 handler 列表，含未被测试覆盖的 endpoint 路径。

4.3 灰度观测沙箱：利用Docker+eBPF在Go二进制中动态注入指标探针而不重启服务的POC实践

传统Go服务埋点需重新编译或热重载，而灰度观测沙箱通过eBPF实现运行时无侵入探针注入。

核心机制

• 容器内挂载/proc/<pid>/mem与/proc/<pid>/maps获取目标进程内存布局
• 利用bpf_probe_attach()在runtime.mallocgc等符号处挂载kprobe
• 通过libbpf加载eBPF程序，采集GC频次、goroutine增长速率等指标

eBPF探针片段（用户态触发）

// trace_gc.bpf.c —— 捕获Go runtime GC事件
SEC("kprobe/runtime.mallocgc")
int BPF_KPROBE(trace_malloc) {
    u64 pid = bpf_get_current_pid_tgid();
    bpf_map_update_elem(&gc_count, &pid, &one, BPF_ANY);
    return 0;
}

bpf_get_current_pid_tgid()提取PID/TID；&gc_count为BPF_MAP_TYPE_HASH映射，用于跨事件聚合计数；BPF_ANY允许覆盖写入，适配高频调用场景。

探针注入流程

graph TD
    A[Docker容器启动Go服务] --> B[宿主机运行injector]
    B --> C[解析/proc/PID/maps定位.text段]
    C --> D[ptrace attach + 内存补丁注入eBPF辅助函数]
    D --> E[libbpf加载trace_gc.o]

组件	版本要求	作用
libbpf	≥1.2	提供BPF对象加载与map管理
Go runtime	≥1.21	支持符号导出与stack walk
kernel	≥5.15	启用bpf_kprobe_multi

4.4 审计报告生成引擎：将87个服务审计结果聚合为可交互式SLO健康看板的Gin+Vue前端集成方案

数据同步机制

后端 Gin 服务通过 WebSocket 实时推送增量审计状态，Vue 前端监听 audit:update 事件触发响应式更新：

// gin-server/main.go：审计状态广播逻辑
hub.Broadcast <- AuditUpdate{
    ServiceID: "svc-auth-07",
    SLOCompliance: 0.992,
    LatencyP95: 142, // ms
    Timestamp: time.Now().UTC(),
}

该结构体经 JSON 序列化后推送到所有已连接客户端；SLOCompliance 为归一化健康分（0.0–1.0），LatencyP95 直接驱动热力图色阶映射。

前端集成策略

• Vue 使用 Pinia 管理全局审计状态，支持按服务名/SLI类型/时间窗口三级过滤
• 动态注册 87 个服务的响应式字段，避免硬编码 schema

健康看板渲染流程

graph TD
    A[Gin 后端] -->|WebSocket| B[Vue 全局 Store]
    B --> C[ServiceGrid 组件]
    C --> D[SLI Trend Charts]
    C --> E[SLO Compliance Heatmap]

组件	数据源	更新频率	响应延迟
服务拓扑图	/api/topology	每30s轮询
P95延迟热力图	WebSocket流	实时
SLO趋势折线图	/api/slo/trend	每5min聚合	≤1.2s

第五章：Go可观测性基建的未来演进方向

云原生环境下的动态采样策略落地实践

某头部电商在双十一大促期间将 OpenTelemetry Collector 配置为基于 QPS 和错误率双维度的动态采样器：当 /api/order/submit 接口错误率超过 0.5% 或 RPS 超过 12,000 时，自动将 trace 采样率从 1% 提升至 100%，并触发告警链路。该策略通过 Go 编写的自定义 Processor 插件实现，已集成至其内部 SRE 平台，日均节省 37TB 原始 trace 数据存储成本。

eBPF 驱动的无侵入式指标增强

使用 libbpf-go 在 Kubernetes DaemonSet 中部署 eBPF 程序，实时捕获 Go HTTP Server 的连接建立耗时、TLS 握手失败数及 GC STW 事件。以下为关键代码片段：

prog := ebpf.Program{
    Type:       ebpf.Kprobe,
    AttachType: ebpf.AttachKprobe,
    Instructions: asm.Instructions{
        asm.Mov.Reg(asm.R1, asm.R1),
        asm.Call.WithID("trace_http_start"),
    },
}

该方案使 P99 延迟归因分析准确率提升至 92%，且无需修改任何业务 Go 代码。

分布式追踪与日志的语义关联标准化

采用 OpenTelemetry Logs Schema v1.2 规范，在 Gin 中间件中注入 trace_id、span_id 和 service.instance.id 作为结构化日志字段：

字段名	示例值	来源
trace_id	4bf92f3577b34da6a3ce929d0e0e4736	context.Value()
log.level	error	zap.LevelKey
http.status_code	500	ResponseWriter

此标准化使 Loki 查询性能提升 4.8 倍（对比旧版正则提取）。

WASM 插件化可观测性扩展架构

基于 WebAssembly 的可插拔探针已在 3 个核心服务中灰度上线：用户服务通过 wazero 运行 Rust 编译的 WASM 模块，实时计算请求路径熵值（用于异常调用链识别）；订单服务加载 JS 编写的轻量级采样规则引擎，支持热更新而无需重启。模块间通过 wasmedge_wasi_socket 实现跨语言指标共享。

多租户场景下的资源隔离与配额控制

在 SaaS 平台中，为每个租户分配独立的 Prometheus Remote Write Endpoint，并通过 Go 实现的 tenant-aware exporter 对 metrics 进行标签重写与速率限制：

graph LR
A[Go App] --> B{Tenant Router}
B --> C[tenant-a: rate_limit=5k/s]
B --> D[tenant-b: rate_limit=50k/s]
C --> E[Prometheus Pushgateway]
D --> E

该架构支撑单集群纳管 1,247 家租户，CPU 使用率峰值下降 22%。