Update nexus wiki content

wiki/concepts/Self-Healing System.md

@@ -0,0 +1,93 @@
+---
+title: "Self-Healing System"
+type: concept
+tags: [DevOps, Reliability, Automation]
+sources: [engineering-devops-automator]
+last_updated: 2026-05-01
+---
+
+# Self-Healing System
+
+## 定义
+自愈系统是指能够自动检测故障、触发恢复机制，在无需人工干预的情况下恢复到正常运行状态的系统。核心目标是减少 MTTR（Mean Time To Recovery），提升系统可用性。
+
+## 自愈机制层次
+
+### 1. 基础设施层
+- **自动扩缩容**：基于指标自动增加/减少实例
+- **健康检查 + 自动替换**：检测到不健康实例后自动终止并启动新实例
+- **多可用区部署**：单可用区故障不影响整体服务
+
+### 2. 应用层
+- **优雅降级**：部分功能不可用时，核心功能继续运行
+- **熔断器（Circuit Breaker）**：防止故障级联传播
+- **重试机制 + 指数退避**：临时故障自动恢复
+
+### 3. 数据层
+- **自动备份**：定期备份数据库
+- **故障转移**：主库故障自动切换到备用库
+- **数据一致性检查**：定期校验数据完整性
+
+## 在 DevOps Automator 中的应用
+DevOps Automator 的自愈设计：
+```terraform
+# AWS Auto Scaling Group 自愈配置
+resource "aws_autoscaling_group" "app" {
+  health_check_type         = "ELB"  # ELB 健康检查
+  health_check_grace_period = 300    # 启动后 5 分钟内不进行健康检查
+  
+  lifecycle {
+    create_before_destroy = true  # 新实例就绪后再终止旧实例
+  }
+}
+
+# CloudWatch Alarm 自动恢复
+resource "aws_cloudwatch_metric_alarm" "high_cpu" {
+  alarm_name          = "app-high-cpu"
+  comparison_operator = "GreaterThanThreshold"
+  threshold           = 80
+  alarm_actions       = [aws_sns_topic.alerts.arn]
+  # 自动触发扩展或通知
+}
+```
+
+## Kubernetes 自愈能力
+- **ReplicaSet**：维持期望的 Pod 副本数，Pod 崩溃自动重启
+- **Liveness Probe**：检测应用无响应后自动重启容器
+- **Readiness Probe**：标记 Pod 为不可用，自动从 Service 中移除
+- **Horizontal Pod Autoscaler**：基于 CPU/内存自动扩缩容
+
+## 自愈 vs 人工干预
+
+| 场景 | 自愈 | 人工干预 |
+|------|------|----------|
+| 实例崩溃 | ✅ 自动重启/替换 | - |
+| 内存泄漏（渐进式） | ✅ 自动扩展缓解 | 人工分析根因 |
+| 配置错误 | ❌ 需回滚配置 | ✅ 人工修复 |
+| 外部依赖故障 | ⚠️ 降级/重试 | ✅ 人工处理 |
+| 灾难性故障 | ⚠️ 部分可恢复 | ✅ 必需 |
+
+## 相关概念
+- [[Observability]]：自愈的前提是能够检测故障
+- [[Zero-Downtime Deployment]]：自愈能力支撑零停机部署
+- [[Kubernetes]]：K8s 提供丰富的自愈机制
+
+## 最佳实践
+1. **监控先行**：没有可观测性就没有自愈
+2. **渐进式自愈**：从简单场景开始，逐步增加复杂度
+3. **设置边界**：明确哪些情况必须人工介入
+4. **记录和告警**：即使自愈成功，也要通知运维团队
+5. **测试自愈机制**：定期演练故障场景
+
+## 关键指标
+- **MTTR**：平均恢复时间（越短越好）
+- **自愈成功率**：自愈成功的故障数 / 总故障数
+- **MTTA**：平均确认时间（检测到告警到开始处理）
+
+## Aliases
+- Self-Healing
+- 自愈系统
+- Automatic Recovery
+- 自动恢复
+- Fault Tolerance
+- 容错