快速点位排查问题的方法

一、核心思路：缩小问题范围

1. 分治法（Divide and Conquer）

• 原理：将复杂系统拆分为独立模块，逐层验证。
• 示例：

• • 网络问题：检查客户端 → 本地网络 → 服务器 → 数据库。
  • 代码问题：注释代码块 → 逐步启用，定位异常代码段。

2. 排除法（Elimination）

• 原理：通过禁用/替换组件，确认问题源。
• 示例：

• • 服务器负载高：停用非核心服务，观察负载变化。
  • 依赖冲突：移除可疑依赖库，验证功能恢复。

---

二、快速定位工具

1. 日志分析

关键命令：

# 实时追踪日志
tail -f /var/log/nginx/error.log

# 按时间过滤（如最近5分钟）
grep "$(date -d '5 minutes ago' '+%Y-%m-%d %H:%M')" app.log

# 按错误级别过滤
awk '/ERROR/ || /WARN/' system.log

#按类名过滤和错误级别
awk '/ERROR/ || /FinFreightReceivableItemServiceImpl/' fin.log > fin20.log

2. 监控工具

• 系统级：

• • top / htop：实时进程资源占用。
  • iotop：磁盘 I/O 监控。
  • nethogs：网络流量追踪。

• 服务级：

• • Prometheus + Grafana：指标可视化。
  • APM 工具（如 SkyWalking、New Relic）：代码级性能分析。

3. 网络诊断

连通性：

traceroute 8.8.8.8       # 路由追踪
mtr 8.8.8.8              # 持续网络质量监测

端口与服务：

netstat -tuln | grep 3306     # 检查端口监听状态
telnet mysql_server 3306      # 测试端口可达性

---

三、高频问题检查点

1. 资源瓶颈

• CPU ：us（用户进程）高 → 代码逻辑问题；sy（系统调用）高 → 内核或 I/O 瓶颈。
• 内存 ：free -h 观察 available，警惕 OOM Killer 日志。
• 磁盘 ：df -h 检查容量，iostat -x 1 看 %util（使用率）和 await（响应时间）。

2. 配置错误

• 常见陷阱：

• • 防火墙规则（iptables / firewalld）。
  • 文件权限（ls -l 检查用户/组）。
  • 配置文件格式（如 YAML 缩进、JSON 括号匹配）。

3. 依赖服务

• 检查链：

• • 数据库连接池是否耗尽（SHOW PROCESSLIST）。
  • 缓存服务（Redis/Memcached）是否超时或内存不足。
  • 第三方 API 的限流或认证失败（抓包工具 tcpdump / Wireshark）。

---

四、高级技巧

1. 最小化复现

步骤：

1. 剥离生产环境数据，构造测试用例。

2. 在简化环境中复现问题（如 Docker 容器）。

   快速启动一个干净的测试环境

   docker run -it --rm alpine:latest sh

2. 时间轴比对

• 方法 ：
  • 对比故障前后系统变更（如 git diff、rpm -qa --last）。
  • 检查定时任务（crontab -l）或日志轮转配置。

3. 假设驱动法

• 流程 ：
  • 列出所有可能原因（如磁盘满、内存泄漏、代码 Bug）。
  • 按概率排序，逐一验证或反证。

---

五、自动化辅助

1. 脚本化检查

# 快速检查系统健康状态
check_health() {
  echo "CPU Load: $(uptime)"
  echo "Memory: $(free -h | awk '/Mem/{print $4}') free"
  echo "Disk: $(df -h / | awk 'NR==2{print $5}') used"
}
check_health

2. 故障注入（Chaos Engineering）

• 工具：Chaos Monkey、kube-monkey。
• 场景：模拟网络延迟、服务宕机，验证系统容错能力。

---

六、经典问题速查表

|--------|----------------------------|
| 现象 | 优先检查点 |
| 服务无响应 | 端口监听、进程存活、防火墙 |
| 请求超时 | 网络延迟、DNS、后端依赖服务 |
| 磁盘空间不足 | 日志文件、临时文件、Core Dump |
| 内存泄漏 | pmap valgrind JVM Heap |
| 性能骤降 | 慢查询、锁竞争、GC 停顿 |

---

通过以上方法，可在 5~15 分钟内定位 80% 的常见问题，剩余复杂问题再结合日志和工具深入分析。