08-08

容器与云原生

Kubernetes 节点 NotReady：从 Kubelet、网络到资源压力的排查清单

节点 NotReady 会导致 Pod 驱逐、流量下降和调度失败。先判断是单节点故障还是控制面、网络或基础设施的整体问题，再决定排障、隔离或替换节点。 一、从控制面观察 kubectl get nodes -o wide kubectl describe node <NODE> kubectl ge

7

0

0

08-08

容器与云原生

Kubernetes Pod 频繁重启与 CrashLoopBackOff：完整排查流程

Pod 进入 CrashLoopBackOff，表示容器启动后反复退出，Kubelet 正在逐步延长重启间隔。它不是根因，而是结果。排查必须先确认退出原因，再判断是应用、配置、探针、资源还是节点问题。 一、保存现场 kubectl get pod -n <NS> -o wide kubectl de

9

0

0

08-08

网络与安全

Nginx 大量 502、504：从网关日志到上游服务的完整排查方法

502 和 504 都表示请求经过了 Nginx，但代理链路没有正常完成。502 通常是上游连接失败、连接被重置或返回无效响应；504 通常是连接或读取上游响应超时。不要一开始就盲目增大超时时间，它可能掩盖真正的性能问题。 一、先确认范围和时间线 所有接口还是少数 URI； 所有实例还是单个上游；

5

0

0

08-08

Linux 与系统运维

SSH 突然无法连接：从网络、端口、服务到密钥认证的系统排查

SSH 失联可能发生在 DNS、路由、防火墙、安全组、sshd 服务、连接数、认证策略或客户端代理任一环节。先根据错误信息判断故障阶段，再逐层排查，比反复更换密钥更有效。 一、先识别客户端错误 ssh -vvv -o ConnectTimeout=8 user@host Connection tim

7

0

0

08-08

Linux 与系统运维

Linux 服务器频繁 OOM：从现场证据、内存泄漏到容量治理

OOM 不是“内存使用率高”这么简单。它表示内核或容器在满足内存分配请求时无法继续，只能选择进程终止。处理 OOM 的关键是区分宿主机 OOM、cgroup OOM、应用主动退出和 Kubernetes OOMKilled。 一、确认是否真的发生 OOM journalctl -k --since

9

0

0

08-08

Linux 与系统运维

磁盘还有空间却提示 No space left on device：inode、删除未释放与配额排查

df -h 明明显示还有剩余空间，应用却报 No space left on device，原因通常不在磁盘容量本身，而是 inode 耗尽、文件被删除后仍被进程占用、用户配额、只读文件系统或容器存储层异常。 一、先确认容量和 inode df -hT df -i findmnt -T /path/

7

0

0

08-08

Linux 与系统运维

Linux 服务器负载突然升高：从现象、定位到止血的完整排查流程

生产环境收到 CPU 或 Load Average 告警时，最忌讳直接重启。负载升高不一定等于 CPU 使用率高：大量不可中断 I/O、锁等待和僵死任务同样会推高负载。正确做法是先确认影响，再保存现场，最后按 CPU、内存、I/O、进程和外部依赖逐层定位。 一、先判断业务影响 接口延迟和错误率是否升

7

0

0

08-08

架构设计

架构评审流程：从申请、预审、正式评审到整改闭环

架构评审的目的不是证明方案“足够高级”，而是在投入大量研发和运维成本之前，尽早发现需求遗漏、单点故障、容量不足、安全风险、数据问题和不可运维设计。一套有效的评审流程必须有明确入口、固定材料、可追踪结论和整改闭环。 一、评审适用范围 出现以下情况时，应发起架构评审： 新系统、新平台或重要基础设施建设；

7

0

0

08-08

架构设计

一次完整的架构评审应该检查什么：从需求、可靠性到成本的实战清单

架构评审不是让几位专家对着架构图“挑问题”，而是在投入大量建设成本之前，系统性识别需求遗漏、单点风险、容量不足、安全缺陷和不可运维设计。好的评审结论应当能够转化为明确行动。 一、评审前需要哪些材料 业务背景、范围与关键用户流程； 功能需求和非功能需求； 系统上下文图、组件图、部署图与数据流图； 容量

7

0

0

08-08

架构设计

高可用、容灾、备份和双活有什么区别：架构设计与选型指南

高可用、容灾、备份和双活经常被混在一起讨论，但它们解决的问题并不相同。备份不能直接提供高可用，双活也不能代替备份。架构设计前必须先确定业务希望抵御哪类故障。 一、高可用 高可用关注局部组件故障时，业务能否继续提供服务。常见手段包括多实例、负载均衡、主从切换、健康检查和自动拉起。 例如两个应用实例部署

13

0

0