应用运维面试题及答案.docxVIP

应用运维面试题及答案

1.如何快速定位Linux服务器中CPU使用率持续90%以上的问题？

首先使用top命令观察实时CPU占用，重点关注%us（用户态）、%sy（内核态）、%id（空闲）指标。若%us高，说明用户进程消耗大，按P键按CPU排序找到高占用进程，记录PID后通过ps-ef|grep[PID]定位具体程序；若%sy高，可能是系统调用或I/O等待，用strace-p[PID]跟踪进程系统调用，或通过perftop分析热点函数。

进一步用pidstat-u15查看进程各线程CPU占用（-t参数），定位具体线程后，结合jstack（Java）或gdb（C/C++）导出线程栈，分析是否存在死循环、正则表达式回溯或大量计算逻辑。若进程为Java应用，还需检查GC情况，使用jstat-gcutil[PID]10005观察FGC频率和耗时，高频率FGC可能导致CPU飙升。

此外，需排查是否有僵尸进程（top中状态为Z），用psaux|grepZ筛选后通过kill-9父进程回收；或检查是否有大量短生命周期进程（如脚本循环fork），用pstree查看进程树结构，结合dmesg查看内核日志是否有异常。

2.简述Nginx反向代理场景下502BadGateway的常见原因及排查步骤？

502错误通常表示Nginx无法与后端应用服务器建立有效连接。常见原因包括：后端服务宕机/重启、后端进程无响应（如阻塞、死锁）、Nginx到后端的网络中断（端口未监听、防火墙拦截）、后端处理超时（Nginx配置的proxy_read_timeout小于业务处理时间）、后端返回数据过大（超过client_max_body_size限制）、后端服务连接池耗尽（无法接受新连接）。

排查步骤：

①确认后端服务状态：通过telnet[后端IP][端口]测试连通性，若失败检查后端是否启动、端口是否监听（netstat-tlnp|grep端口）、防火墙规则（iptables或firewalld）；

②查看Nginx错误日志（默认/var/log/nginx/error.log），搜索502对应的时间点，日志可能提示“connectionrefused”（后端未监听）、“readtimeout”（处理超时）或“noliveupstreams”（上游服务器全部不可用）；

③检查Nginx配置：proxy_pass是否指向正确地址，proxy_connect_timeout、proxy_read_timeout是否合理（默认60s），upstream模块中是否配置了正确的健康检查（如keepalive、fail_timeout）；

④分析后端服务负载：若后端为Java应用，用jstack查看是否有线程阻塞（如等待数据库锁）；若为PHP/FastCGI，检查php-fpm进程数是否耗尽（pm.max_children）；

⑤测试后端服务自身响应：直接通过curl访问后端接口，观察是否超时或返回异常，若后端正常但Nginx转发异常，可能是Nginxworker进程数不足（worker_processes小于CPU核心数）或文件句柄限制（ulimit-n过小导致无法建立新连接）。

3.如何设计一套覆盖应用层的监控体系？请说明关键指标、工具链及告警策略？

关键指标需分层设计：

-主机层：CPU使用率（80%告警）、内存使用率（90%告警）、磁盘使用率（80%分区告警）、磁盘I/O等待时间（20ms告警）、网络流量（入/出带宽超过峰值的80%）、TCP连接数（ESTABLISHED状态超过进程最大文件句柄的70%）；

-应用层：QPS（同比/环比下降30%告警）、响应时间P99（2s告警）、错误率（1%告警）、数据库慢查询数（10条/分钟告警）、缓存命中率（90%告警）；

-业务层：核心交易成功率（99.9%告警）、登录失败次数（100次/分钟告警）、订单超时未支付数（500单/小时告警）。

工具链推荐Prometheus+Grafana+Alertmanager：

-数据采集：主机指标用node_exporter，应用指标通过自定义exporter（如Java应用通过Micrometer暴露/actuator/prometheus接口），数据库用mysqld_exporter，缓存用redis_exporter；

-存储：Prometheus本地存储（配合remotewrite到长期存储如Thanos）；

-展示：Grafana创建仪表盘，按业务线/层级划分视图；

-告警：Alertmanager配置告警规则，