linux容量规划需基于历史趋势、资源模式和业务逻辑构建可验证预测模型，聚焦CPU/内存/I/O/网络四类指标采集、周期性与增长性使用模式识别、加权移动平均或多元线性回归建模，并设定带缓冲窗口的扩容阈值与行动规则。
Linux 系统的容量规划不是靠拍脑袋估算，而是基于历史趋势、资源使用模式和业务增长逻辑建立可验证的预测模型。核心在于采集真实指标、识别关键瓶颈点、区分稳态与峰值负载，并用轻量方法做中短期（3–6个月）推演。
采集关键指标：聚焦四类基础资源
容量预测的前提是数据可靠。优先采集以下维度的连续数据（建议采样间隔 ≤ 5 分钟，保留 ≥ 90 天）：
- CPU：平均负载（Load Average）、用户态/系统态/等待 I/O 时间占比（%user/%sys/%iowait），避免只看单核利用率
- 内存：已用内存（不含 cache/buffer）、活跃匿名页（Active(anon)）、OOM Killer 触发次数
- 磁盘 I/O：IOPS、吞吐量（MB/s）、await 和 %util（注意 %util 接近 100% 不等于饱和，需结合 await 判断）
- 网络：接收/发送字节数、连接数（netstat -s 或 ss -s）、TIME_WAIT / ESTABLISHED 数量
识别使用模式：区分周期性、增长性和突发性
原始数据需归因分析，否则预测会失真：
- 用 tsfresh 或简单时间切片（如按小时/周汇总）观察是否存在日周期、周周期（如批处理、报表生成）
- 对 CPU/内存等资源画 30 天滑动平均曲线，拟合线性或指数趋势线——若月均增长 >8%，需纳入业务扩张因子
- 标记已知突发事件（如大促、版本发布），从训练数据中隔离或单独建模，避免污染基线
构建轻量预测模型：从移动平均到简单回归
不追求复杂 AI，实用场景推荐分层建模：
- 短期（1–4 周）：加权移动平均（WMA），最近 7 天权重递增，适合稳定业务系统
- 中期（2–6 个月）：多元线性回归，自变量包括「业务指标（如日活 DAU、订单量）+ 时间变量（月份哑变量）+ 上月资源均值」
- 验证方式：留出最近 14 天数据做回测，误差控制在 ±12% 内；超过阈值时触发人工复核
设定扩容阈值与行动规则
预测结果必须转化为可执行策略，而非仅输出数字：
- CPU 平均负载持续 > 0.7 × 核数（非峰值时段），且趋势向上 → 启动垂直扩容评估
- 内存 Active(anon) 占比 > 85% 且每周增长 >3% → 检查内存泄漏并规划扩容
- 磁盘 await > 20ms 且 %util > 90% 持续超 2 小时/天 → 触发 I/O 路径优化 + 存储升级流程
- 所有阈值需配套「缓冲窗口」：例如预测某资源将在 45 天后达 90%，则第 30 天启动采购/部署流程