Day 185 练习与验收清单 —— 一键部署与端到端验收

所有命令可直接复制执行；每个脚本都带 --self-test（离线、零第三方依赖）。

✅ 今日完成清单

• [ ] 读完 concepts.md，能说清"存活"和"就绪"为什么不能合并
• [ ] 跑通 00：看到 /healthz=200 而 /readyz=503 的那段时间窗
• [ ] 跑通 01：亲眼看到"陈旧 PID 被识破"和"优雅停机成功"
• [ ] 跑通 02：正常部署 → 坏版本自动回滚 → 端口冲突被预检拦截（三个场景都跑）
• [ ] 跑通 03：9 项验收断言全绿（含在途请求被做完）
• [ ] 跑通 04：看 naive 逻辑真的杀掉了一个无关进程
• [ ] 跑通 05：拿到自己机器上的 MTTR / 发现延迟 / 停机对比数字
• [ ] 收尾：无残留进程、端口释放、临时目录已删

一键离线自证（不起任何外部依赖）

cd ~/code/Learn-Python/days/day-185-运维平台-一键部署与验收/code
for f in 0*.py; do echo "== $f"; timeout 120 python3 "$f" --self-test || echo "❌ $f 失败"; done

真机端到端（本课实验手册的精简版）

cd ~/code/Learn-Python/days/day-185-运维平台-一键部署与验收/code
STATE=/tmp/d185-demo; PORT=8400
rm -rf $STATE && mkdir -p $STATE
printf '%s' '[{"host":"web-01"},{"host":"web-02"}]' > $STATE/hosts.json

# 1) 正常部署
python3 02-deploy-oneclick.py --port $PORT --version v1.0.0 --state-dir $STATE --data $STATE/hosts.json
curl -s 127.0.0.1:$PORT/readyz; curl -s 127.0.0.1:$PORT/api/v1/hosts

# 2) 坏版本 → 自动回滚
python3 02-deploy-oneclick.py --port $PORT --version v1.1.0-bad --state-dir $STATE --simulate-bad-release
echo "退出码=$?（4=已自动回滚）"; cat $STATE/current.json

# 3) 验收
python3 03-smoke-acceptance.py --port $PORT

# 4) 故障演练（D1 kill -9 / D2 端口冲突 / D3 停机对比）
python3 05-drill-chaos.py --json $STATE/drill.json

# 5) 清理
python3 - <<'PY'
import importlib.util, pathlib
spec = importlib.util.spec_from_file_location("r", "01-process-runner.py")
m = importlib.util.module_from_spec(spec); spec.loader.exec_module(m)
print(m.stop_service("/tmp/d185-demo/api.pid"))
PY
ss -ltn | grep $PORT || echo "端口已释放"
rm -rf $STATE

📝 基础练习

练习 1：给就绪探针加一个"依赖检查"

现在的 /readyz 只看进程自己的 warmup 状态。请让它额外检查一个"外部依赖" （本地可以用"某个文件是否存在 / 某个端口是否可连"来模拟）。 要求：依赖挂了 → 503 且 body 里说明是哪个依赖；依赖恢复 → 自动变回 200。 思考：为什么这个检查不能放进 liveness 探针？（提示：liveness 失败会触发重启， 依赖抖动时你会把健康的应用反复重启 —— 这就是"抖动放大成雪崩"的经典机制。）

练习 2：给 validate_pid 加一条"启动时间"判据

现在身份靠 cmdline。再加一条：把启动时间（/proc/<pid>/stat 的第 22 个字段 starttime，单位 jiffies）写进 pidfile，校验时比对。 说明：这条能解决 cmdline 解决不了的哪种情况？（提示：同一份代码被起了两次 —— 比如运维平台自己重启时旧实例没死干净，两个进程 cmdline 一模一样。）

练习 3：让部署脚本支持 --rollback-only

实现"我只想回滚到 current.json 里的上一个版本"这个动作（不部署新版）。 要求：能从上一次 history.jsonl 里找出上一个可用版本号，并且回滚后要跑一遍 业务验收（不能只重启就算完）。

练习 4：把验收断言搬到 CI

把 03-smoke-acceptance.py 包成"退出码即结论"的形式（已经是了）， 然后写一个 GitHub Actions 步骤：构建 → 起服务 → 跑验收 → 失败则 red。 思考：为什么"验收脚本在 CI 里跑"比"人在发布后点两下"更可靠？

🚀 进阶挑战

挑战 1：实现真正的"零停机"（蓝绿切换）

本课是原地替换（有秒级空窗）。改造为蓝绿： - 同时起 v1（端口 A）与 v2（端口 B）； - 用一个小反向代理（标准库即可：http.server 转发）把流量切到 B； - 切换失败（B 的验收不过）→ 切回 A。 验收标准：切换过程中持续压测（每秒 10 次请求），不允许出现任何非 200。

挑战 2：把 MTTR 拆成分项指标并导出

现在 05-drill-chaos.py 只打印一次时间线。请改成： - 重复 20 轮 D1，输出 detect_latency_s / restart_to_ready_s / mttr_s 的 P50/P95/最大值（真数字，不是感觉）； - 解释为什么这里的 P95 比平均值更该被用来定告警阈值。

挑战 3：加"部署前置检查"的清单化

把 preflight() 改成一个可扩展的检查清单（每项是一个函数，返回 (ok, msg)）： 磁盘空间、Python 版本、目标端口身份、state 目录可写、上一版本二进制存在、 必要环境变量齐全。要求：任何一项失败都打印全部失败项（不是只报第一个）， 因为发布时要一次看全所有问题。

挑战 4：给回滚加上"熔断"

如果同一个版本连续回滚 3 次，脚本应该拒绝再部署它（把它标记为 bad release）， 并把这件事写进 history.jsonl。 思考：这和 K8s progressDeadlineSeconds 的语义有什么异同？

挑战 5：演练"磁盘写满"时的日志降级

用 fallocate 造一个 1MB 的小分区（或 tmpfs），把日志目录放进去并写满， 验证：日志写失败时服务不能崩，而要以明确的方式降级（丢日志 + 记一条"我在丢日志"的告警）。 这是"日志系统自身也需要可观测"的练习（呼应 Day 184 的 spill 降级）。

🧪 验收标准（能不能算"今天过关"）