bot_dev1
69d8178a83
- 新增 tests/ha/ 容灾演练套件，4 个场景验证 PRD 第 9 章可用性/容灾 NFR： · 可用性基线：600 点位 30 轮健康采集，可用性 ≥ 99.8% / 丢失率 ≤ 0.02% / P99 ≤ 1.8s · 驱动故障隔离：30 轮中注入 5 轮设备掉线，引擎不崩溃，故障被隔离（_FlakyDriver 注入） · 上行抖动恢复：Kafka 中断 5 轮期间样本驻留 spool，恢复后断点续传零丢失 · 进程重启容灾：销毁引擎模拟崩溃，重启后扫描 spool 全量重发（RPO=0） - 演练结论：可用性 100%、丢失率 0%、P99=281ms（≤1.8s），SLA 全部达标 - 全部基于内核可注入接口（Driver/SpoolStore/HealthMetrics/BatchWriter）运行，零外部依赖 - 运行：python -m unittest discover -s tests/ha -v（_bootstrap.py 自动加载四个 core 模块）
44 lines
2.0 KiB
Markdown
44 lines
2.0 KiB
Markdown
# iAOP 可用性 / 容灾演练套件（tests/ha）
|
||
|
||
> 对应 Issue **#89 [M4] 可用性/容灾演练**，验证 PRD 第 9 章 NFR「可用性 ≥ 99.8%」
|
||
> 以及断点续传 / 故障隔离等容灾能力。
|
||
|
||
## 背景
|
||
|
||
PRD 第 9 章 SLA 对边缘采集网关提出可用性 ≥ 99.8%、丢失率 ≤ 0.02% 的硬指标。
|
||
这两项指标的工程保障来自三个机制：
|
||
|
||
1. **spool 断点续传**：样本先落本地磁盘，上行确认（ack）后才删除；
|
||
网关重启时扫描 spool 目录，未确认记录全部重发（RPO=0）。
|
||
2. **驱动故障隔离**：单驱动异常按「本轮整体失败」计入 HealthMetrics，
|
||
不抛出、不崩溃，正常轮次继续产出。
|
||
3. **上行通道背压**：Kafka 抖动期间样本驻留 spool，仅增加本地缓存占用，
|
||
恢复后断点续传，数据不丢不重。
|
||
|
||
本套件以**可重复的合成数据集 + 故障注入驱动**对上述机制做规模化演练，
|
||
全部基于内核可注入接口运行，零外部依赖，CI 可直接执行。
|
||
|
||
## 演练场景
|
||
|
||
| 场景 | 演练口径 | 验证目标 |
|
||
|------|----------|----------|
|
||
| 可用性基线 | 600 点位 30 轮健康采集 | 可用性 ≥ 99.8% / 丢失率 ≤ 0.02% / P99 ≤ 1.8s |
|
||
| 驱动故障隔离 | 30 轮中注入 5 轮设备掉线 | 引擎未崩溃；可用性受控下降（1−5/30）；健康轮次仍产出样本 |
|
||
| 上行抖动恢复 | 上行连续中断 5 轮后恢复 | 中断期零丢失；恢复后断点续传落库 = 采集数（RPO=0） |
|
||
| 进程重启容灾 | 采集 8 轮后销毁引擎模拟重启 | 重启后扫描同一 spool，未确认样本全部重发落库（RPO=0） |
|
||
|
||
## 运行
|
||
|
||
在**仓库根目录**执行（`_bootstrap.py` 会自动把四个 core 模块加载到 `sys.path`）：
|
||
|
||
```bash
|
||
python -m unittest discover -s tests/ha -v
|
||
```
|
||
|
||
## 文件
|
||
|
||
- `_bootstrap.py` —— 内核模块加载引导（edge-gateway 裸导入；data-bus / rag-kb /
|
||
llm-gateway 注册为下划线包名）。
|
||
- `test_availability_dr.py` —— 四个演练场景的 unittest 用例，含 `_FlakyDriver`
|
||
故障注入驱动。
|