系统运维（传统/通用运维）面试题

系统运维（传统/通用运维）的面试题和云原生方向侧重不同，更强调 Linux 底层、服务排障、脚本自动化、安全加固和稳定性保障。下面按模块整理高频题，附考察意图和答题要点。

一丶题目

一、Linux 基础与内核

1. 描述 Linux 启动流程。

要点：BIOS/UEFI → GRUB → 内核加载 → initramfs → systemd（PID 1）→ 加载 target → 启动服务。能说出每个阶段故障的表现（如 grub 损坏、内核 panic、进入 emergency mode）。

2. 硬链接和软链接的区别？

要点：硬链接共享 inode、不能跨文件系统、不能链目录；软链接是独立文件存路径、可跨分区、源删除后失效。ln vs ln -s。

3. 进程状态有哪些？D 状态意味着什么？

要点：R/S/D/T/Z；D 是不可中断睡眠，通常卡在 IO，kill -9 也杀不掉，要排查存储/网络挂载。

4. 系统负载（load average）怎么看？高但 CPU 不高是什么原因？

要点：load 统计运行+不可中断进程；高 CPU 不高可能是 IO 等待、大量 D 状态、swap 抖动。结合 vmstat、iostat、pidstat 判断。

5. 内存不足时 Linux 怎么处理？OOM Killer 机制？

要点：页缓存回收 → swap → OOM Killer 按 oom_score 杀进程；/proc/<pid>/oom_score_adj 调优先级；dmesg 看 OOM 日志。

6. free 命令的 buff/cache 是什么？可用内存怎么算？

要点：buff/cache 可回收；看 available 而非 free；echo 3 > /proc/sys/vm/drop_caches 可手动清（生产慎用）。

7. 文件被删除但磁盘没释放，怎么排查？

要点：进程仍持有句柄，lsof | grep deleted 找到进程，重启或 > /proc/<pid>/fd/<n> 清空。

8. inode 耗尽怎么处理？

要点：df -i 查看；大量小文件导致；定位目录（find 统计）、清理临时文件/邮件队列/session 文件。

二、性能排查（面试重灾区）

9. CPU 使用率高，如何定位到具体代码/线程？

要点：top → top -Hp <pid> 找线程 → 线程 ID 转十六进制 → jstack（Java）/perf top/gdb；区分用户态 vs 内核态（mpstat）。

10. 磁盘 IO 慢如何排查？

要点：iostat -x 1 看 %util、await、r/s w/s；iotop 找进程；blktrace 深入；排查慢查询、日志刷盘、swap、RAID 卡缓存策略。

11. 网络丢包如何排查？

要点：ping/mtr 分段 → netstat -s/nstat 看丢包计数 → ss -i 看重传 → tcpdump 抓包 → 排查网卡、交换机、MTU、防火墙、连接数上限。

12. 服务器变慢，给出完整排查思路。

要点：先看 uptime（负载）→ top（CPU/内存）→ vmstat（上下文切换/swap）→ iostat（磁盘）→ ss（连接数）→ dmesg（硬件/内核报错）→ 应用日志。按"CPU-内存-磁盘-网络-应用"分层。

13. 大量 TIME_WAIT 怎么优化？

要点：主动关闭方产生；调 net.ipv4.tcp_tw_reuse=1、tcp_fin_timeout；用连接池/长连接；tcp_max_tw_buckets 谨慎调。

14. 一台机器能建立多少 TCP 连接？

要点：受四元组限制（源 IP+端口、目的 IP+端口、协议）；理论上百万级，实际受文件描述符、内存、端口范围限制；ulimit -n、net.ipv4.ip_local_port_range。

三、服务与中间件运维

15. Nginx 常见故障排查？

要点：nginx -t 配置检查；502（后端不可达/超时）、504（后端超时）、413（body 限制）、499（客户端断开）；error.log、access.log、stub_status 监控。

16. Nginx 如何做限流和负载均衡？

要点：limit_req（漏桶）、limit_conn；upstream 轮询/加权/ip_hash/least_conn；健康检查（开源版被动、商业版主动）。

17. 如何排查 MySQL 连接数打满？

要点：show processlist、show status like 'Threads_connected'；排查慢查询、连接泄漏、max_connections 设置；应用侧连接池配置。

18. Redis 内存满了怎么办？

要点：maxmemory-policy（LRU/LFU/ttl/random）；排查大 key（--bigkeys）、热 key；扩容或分片；持久化策略对内存的影响。

19. 消息队列（Kafka/RabbitMQ）消费堆积怎么处理？

要点：扩消费者/分区、提升并行度；排查消费慢（下游阻塞、反序列化、rebalance）；监控 lag。

四、Shell 与自动化

20. 写一个脚本：检查服务端口是否存活，挂了自动拉起并告警。

要点：ss/nc 检测端口 → 失败重试 → systemctl restart → 记录日志 → 调 webhook 告警；注意幂等、防止误杀、加锁防并发。

21. 统计访问日志中 IP 访问量 Top10。

要点：awk '{print $1}' access.log | sort | uniq -c | sort -rn | head -10。

22. 批量在多台机器执行命令怎么做？

要点：Ansible（inventory + ad-hoc/playbook）、批量 SSH（for 循环 + 免密）；强调幂等、并发控制（-f）、失败处理。

23. 如何做定时任务管理？crontab 不执行怎么排查？

要点：环境变量差异、PATH、权限、crond 服务状态、日志 /var/log/cron、脚本绝对路径、输出重定向。

五、安全加固与合规

24. Linux 安全加固做哪些？

要点：最小化安装、关闭无用服务/端口、SSH 加固（禁 root、改端口、密钥登录）、防火墙（iptables/firewalld）、sudo 最小权限、日志审计（auditd）、补丁管理、基线扫描。

25. 堡垒机的作用？运维审计怎么做？

要点：统一入口、权限管控、命令审计、录屏回放、满足等保要求；配合 CMDB 和审批流。

26. 如何防止误操作（如 rm -rf）？

要点：权限分离、危险命令别名确认、safe-rm、回收站机制、变更审批、备份先行、生产禁 root 直连。

六、高可用与稳定性

27. 如何设计一个高可用架构？

要点：消除单点（负载均衡、多实例）、故障转移（keepalived/VRRP）、数据冗余（主从/集群）、健康检查、容量冗余、演练。

28. Keepalived 脑裂怎么产生、怎么防？

要点：心跳网络中断导致双主；用 vrrp_script 检测业务、双心跳线、仲裁设备（ping 网关）、nopreempt 配置。

29. 备份策略怎么设计？

要点：3-2-1 原则、全量+增量、定期恢复演练（备份不验证等于没有）、异地容灾、RPO/RTO 指标。

30. 一次线上故障的完整处理流程？

要点：止血（回滚/切流/重启）→ 通报 → 定位 → 恢复 → 复盘（时间线、根因、改进项）。强调"先恢复业务再查根因"。

七、虚拟化与云基础

31. 虚拟化与容器的区别？

要点：虚机有独立内核、隔离强、启动慢；容器共享宿主内核、轻量、启动快、隔离弱；适用场景不同。

32. 云服务器和物理机运维差异？

要点：云上关注安全组、快照、弹性伸缩、多可用区；物理机关注硬件、RAID、IPMI、机房。

八、场景与软技能题

33. 半夜收到告警，你的处理流程？

要点：确认告警真实性 → 评估影响面 → 止血 → 通报 → 定位 → 恢复 → 记录。体现分级响应和沟通意识。

34. 你做过最有价值的运维优化是什么？

要点：用 STAR 讲，量化结果（故障率下降、成本节省、MTTR 缩短），体现主动性和工程化思维。

35. 开发和运维冲突怎么处理？

要点：用数据和 SLO 说话、推动标准化和自助化、建立变更流程和回滚机制。

备考建议

系统运维面试核心是"排障路径"：任何"XX 高/慢/挂了"的题，都按"现象 → 分层排查 → 定位 → 解决 → 预防"回答。
准备好 2-3 个真实故障案例：能讲清时间线、你的动作、根因和后续改进。
Shell 要能现场手写：日志统计、服务检测、批量操作是高频。
注意与传统题结合新趋势：现在系统运维也常被问容器、监控体系（Prometheus）、自动化（Ansible），纯传统岗位越来越少。

二丶答案

一、Linux 基础与内核

1. Linux 启动流程

参考答案：

① 加电自检 BIOS/UEFI → ② 读引导扇区/EFI 分区，加载 GRUB → ③ GRUB 加载内核 vmlinuz 和 initramfs → ④ 内核初始化硬件、挂载根文件系统 → ⑤ 启动 PID 1（systemd）→ ⑥ systemd 按 default.target 启动服务和 getty。

故障对应：GRUB 坏了进 grub rescue；内核 panic 看串口/kdump；initramfs 损坏进 emergency shell；服务起不来用 systemctl status 和 journalctl -xb。

2. 硬链接与软链接

参考答案：硬链接与原文件共享同一 inode，是同一个文件的多个名字，删除一个不影响数据，不能跨文件系统、不能链目录（root 除外），ln src dst。软链接是独立文件，内容存目标路径，可跨分区、可链目录，源删除后变"断链"，ln -s src dst。用 ls -li 看 inode 是否相同即可区分。

3. 进程状态与 D 状态

参考答案：R 运行/可运行，S 可中断睡眠，D 不可中断睡眠，T 停止，Z 僵尸。D 状态表示进程卡在内核态等待 IO（磁盘、NFS、驱动），此时信号无法送达，kill -9 也杀不掉。排查：ps -eo pid,stat,wchan,cmd | grep ' D' 看等待点，结合 iostat、dmesg、挂载点是否卡死；解决通常是恢复存储/网络或重启。

4. load average 高但 CPU 不高

参考答案：load 统计的是"运行态 + 不可中断睡眠（D）"的进程数，不只看 CPU。高 CPU 低说明大量进程卡在 IO 等待、swap 抖动或锁竞争。排查顺序：uptime 看 1/5/15 分钟趋势 → vmstat 1 看 r、b、si/so、wa → iostat -x 1 看磁盘 → ps 找 D 状态进程。常见根因：磁盘慢、NFS 挂载异常、内存不足频繁 swap。

5. 内存不足与 OOM Killer

参考答案：内核先回收 page cache、再回收可回收 slab、然后 swap，仍不足触发 OOM Killer，按 oom_score（结合 oom_score_adj）选进程杀掉，日志在 dmesg/journalctl -k。保护关键进程：调低其 oom_score_adj（如 -1000 永不杀）。根治是加内存、限 cgroup 内存、排查内存泄漏。

6. free 的 buff/cache 与可用内存

参考答案：free 列是未使用内存，buff/cache 是内核缓存（可回收），真正该看的是 available。buff 是块设备元数据缓存，cache 是文件页缓存，二者在内存紧张时会被回收，所以"free 很小但 available 充足"是正常的。drop_caches 生产慎用，会瞬间拉低性能。

7. 文件删除但磁盘没释放

参考答案：进程还持有已删除文件的 fd，inode 未释放。排查：lsof +L1 或 lsof | grep deleted 找到 PID，用 > /proc/<pid>/fd/<n> 清空，或重启该进程。预防：日志用 logrotate + copytruncate 或让程序自己 reopen。

8. inode 耗尽

参考答案：df -i 看 inode 使用率。小文件海量场景（mail spool、session、临时文件、缓存目录）耗尽 inode。定位：find / -xdev -type f | awk -F/ '{print $2}' | sort | uniq -c 逐层统计，或用 du --inodes。处理：清理临时/过期文件，合并小文件，必要时重建文件系统调大 inode 数。

二、性能排查

9. CPU 高定位到代码/线程

参考答案：top 找高 CPU 进程 PID → top -Hp <pid> 找线程 TID → printf '%x\n' <tid> 转十六进制 → Java 用 jstack <pid> | grep -A20 <hex> 看栈；C/C++ 用 perf top -p <pid> 或 gdb -p。先 mpstat -P ALL 1 区分是单核跑满还是整体高，pidstat -u 1 看用户态/内核态占比。

10. 磁盘 IO 慢

参考答案：iostat -x 1 看 %util（接近 100 饱和）、await（响应时间）、r/s w/s、avgqu-sz（排队）。iotop -o 找高 IO 进程。深入用 blktrace/biolatency（bcc）看 IO 延迟分布。常见根因：数据库慢查询/全表扫、日志刷盘、swap、RAID 卡写策略（WB/WT）、文件系统碎片、云盘 IOPS 上限。

11. 网络丢包

参考答案：分段定位------ping 看本地到网关，mtr 看逐跳丢包；netstat -s | grep -i drop、nstat -az 看协议栈丢包计数（如 TcpExtTCPBacklogDrop、UdpRcvbufErrors）；ss -ti 看重传和拥塞窗口；tcpdump 抓包确认收发是否对称。排查方向：网卡/驱动、ring buffer、防火墙 conntrack 满、MTU 分片、交换机/对端限速、连接数超限。

12. 服务器变慢完整排查

参考答案：按层走------

① uptime 看负载趋势；② top/htop 看 CPU、内存、进程；③ vmstat 1 看 r/b、si/so（swap）、cs（上下文切换）；④ iostat -x 1 看磁盘；⑤ ss -s、netstat -s 看连接和协议栈；⑥ dmesg -T 看硬件/内核报错；⑦ 看应用日志、慢查询、GC 日志。结论要落到"哪一层是瓶颈 + 证据"。

13. TIME_WAIT 优化

参考答案：TIME_WAIT 出现在主动关闭方，持续 2MSL，属正常状态，过多才需优化。手段：应用层用连接池/长连接减少短连接；net.ipv4.tcp_tw_reuse=1（仅对 outgoing 且时间戳开启时安全）；调小 tcp_fin_timeout；tcp_max_tw_buckets 调大只是掩盖问题。不要开 tcp_tw_recycle（NAT 环境有坑，已废弃）。

14. 单机最大 TCP 连接数

参考答案：理论上受四元组数量限制，服务端单端口监听可支撑数十万到百万连接。实际瓶颈：文件描述符（ulimit -n、fs.file-max）、内存（每连接内核缓冲区）、net.ipv4.ip_local_port_range（主动连接方端口数约 6 万）、somaxconn、conntrack 表大小。优化：调大 fd、端口范围、somaxconn、tcp_mem，用多 IP/多端口扩展。

三、服务与中间件

15. Nginx 常见故障

参考答案：先 nginx -t 验配置，nginx -s reload 看是否生效。看 error.log：

502：后端不可达/被拒/超时，查 upstream 健康、后端进程、防火墙；
504：后端处理超时，调 proxy_read_timeout 或查后端慢；
413：client_max_body_size 太小；
499：客户端主动断开，多为后端慢导致前端等不及；
端口占用：ss -lntp 查冲突。

监控用 stub_status 或 nginx-prometheus-exporter 看活跃连接、QPS。

16. Nginx 限流与负载均衡

参考答案：限流用 limit_req_zone（漏桶，burst + nodelay 控制突发）和 limit_conn_zone（并发连接数），可配合 limit_req_status 429。负载均衡 upstream 支持轮询、weight 加权、ip_hash、least_conn、hash $key；健康检查开源版为被动（max_fails/fail_timeout），主动检查用商业版或 OpenResty/nginx-plus。

17. MySQL 连接数打满

参考答案：show processlist 看连接来源和状态（大量 Sleep 说明连接池泄漏或未复用；大量 Query 说明慢查询堆积）；show status like 'Threads_connected'、Max_used_connections。排查慢查询（slow log、performance_schema）、锁等待、应用连接池 maxActive 是否过大、wait_timeout 是否过长。处理：kill 异常连接、优化慢 SQL、调 max_connections（需评估内存）、上连接池/代理（ProxySQL）。

18. Redis 内存满

参考答案：先看 maxmemory 和 maxmemory-policy（noeviction 会写失败，allkeys-lru/volatile-lru 等会淘汰）。排查大 key：redis-cli --bigkeys、MEMORY USAGE key；热 key 用 --hotkeys（需 LFU）。处理：清理过期 key（SCAN + UNLINK）、拆分大 key、设合理 TTL、扩容或分片（Cluster）、冷热分离。注意 RDB/AOF 重写时的内存放大。

19. 消息队列消费堆积

参考答案：先看 lag 指标和消费速率。手段：增加消费者实例/提升消费线程数（受分区数限制，Kafka 需扩分区）、优化消费逻辑（批量、异步、去掉同步阻塞）、排查下游依赖（DB/接口慢）、检查 rebalance 频繁（max.poll.interval.ms、会话超时）。应急：临时扩容消费者、跳过非核心消息、降级。RabbitMQ 看队列深度和 unacked，注意 prefetch 设置。

四、Shell 与自动化

20. 端口存活检测 + 自动拉起 + 告警脚本

参考答案（可直接复述思路）：

bash

复制代码

#!/bin/bash
PORT=8080
LOG=/var/log/check_port.log
LOCK=/tmp/check_port.lock
exec 9>$LOCK
flock -n 9 || exit 0          # 防并发
if ! ss -lnt | grep -q ":$PORT "; then
  echo "$(date) port $PORT down, restarting" >> $LOG
  systemctl restart myapp
  sleep 3
  if ! ss -lnt | grep -q ":$PORT "; then
    curl -s -X POST "$WEBHOOK" -d "host=$(hostname) port=$PORT still down"
    echo "$(date) restart failed" >> $LOG
  fi
fi

要点：flock 防并发、重启后二次校验、失败才告警（防误报）、日志留痕、用 systemd 托管更稳。

21. 日志 IP Top10

参考答案：awk '{print $1}' access.log | sort | uniq -c | sort -rn | head -10。变体：统计状态码 awk '{print $9}' | sort | uniq -c | sort -rn；按小时统计 awk -F'[][]' '{print $2}' | cut -d: -f1-2。

22. 批量多机执行

参考答案：首选 Ansible：ansible all -i inventory -m shell -a "uptime" -f 10（-f 并发），复杂用 playbook（幂等、handler、roles）。无 Ansible 时用 for 循环 + SSH 免密，但要处理失败（set -e 慎用）、超时（ssh -o ConnectTimeout）、并发（xargs -P）。强调幂等、失败重试、结果汇总。

23. crontab 不执行排查

参考答案：① systemctl status crond 服务是否在跑；② /var/log/cron 看有没有触发记录；③ 环境变量差异------cron 的 PATH 很短，脚本里用绝对路径、显式 source 环境；④ 脚本权限和 shebang；⑤ 输出重定向到日志（>> /tmp/x.log 2>&1）看报错；⑥ % 在 crontab 里要转义；⑦ SELinux 限制。调试技巧：把命令写成 * * * * * /bin/bash /path/x.sh 并加日志。

五、安全加固与合规

24. Linux 安全加固

参考答案：① 最小化安装，卸载无用包、关无用服务/端口；② SSH 加固：禁 root 登录、密钥认证、改端口、AllowUsers、失败锁定（fail2ban）；③ 防火墙 firewalld/iptables 默认拒绝；④ 账号：删默认账号、强密码策略、sudo 最小授权、/etc/passwd 权限；⑤ 日志审计 auditd、rsyslog 集中收集；⑥ 补丁与基线扫描（OpenSCAP）；⑦ 文件权限、SUID 排查；⑧ 内核参数加固（sysctl：禁 IP 转发、开 SYN cookie、禁 ICMP 重定向）。

25. 堡垒机与运维审计

参考答案：堡垒机是所有运维访问的统一入口，做身份认证（对接 LDAP/MFA）、权限管控（按资产/账号授权）、命令审计与录屏、会话阻断（高危命令拦截）、满足等保"访问控制+安全审计"要求。配合 CMDB 管资产、审批流管临时提权、日志留存 ≥6 个月。

26. 防误操作

参考答案：制度+技术双管：生产禁 root 直连、用普通账号+sudo 白名单；危险命令别名确认（alias rm='rm -i'）、safe-rm 或 trash 机制；rm -rf 前先 ls 确认、变量加引号；变更走审批和灰度；重要操作前备份/快照；用 set -u 防未定义变量；有条件的用 IaC 替代手工。

六、高可用与稳定性

27. 高可用架构设计

参考答案：核心是消除单点 + 故障自动转移 + 数据冗余 + 容量冗余。分层：接入层 LB 双活（LVS/Keepalived 或云 SLB）；应用层多实例无状态 + 健康检查；数据层主从/集群 + 定期备份；机房级多可用区/异地容灾；配套监控告警、故障演练（混沌工程）、预案和回滚。用 RTO/RPO 衡量。

28. Keepalived 脑裂

参考答案：原因：主备间 VRRP 心跳不通（网线、交换机、防火墙禁 VRRP 协议、网卡故障），双方都认为自己是 master，出现双 VIP。防护：双心跳线/多播+单播结合、vrrp_script 检测业务端口（业务挂了也降级）、仲裁（ping 网关或第三方）、STONITH 强制隔离、nopreempt 防抢占抖动。发现后先确认哪台该持有 VIP，隔离一台再修网络。

29. 备份策略

参考答案：遵循 3-2-1（3 份、2 种介质、1 份异地）。全量+增量/差异结合，数据库用物理备份（xtrabackup）+ binlog 做 PITR。明确 RPO/RTO 决定频率。关键：定期做恢复演练，备份不验证等于没有；加密传输存储、权限隔离、防勒索（离线/不可变备份）。

30. 线上故障处理流程

参考答案：① 确认与定级（影响面、是否 P0）；② 止血优先------回滚、切流、扩容、重启、降级，先恢复业务；③ 通报------拉群、同步进展、通知相关方；④ 定位根因（此时再查日志/监控/变更记录）；⑤ 恢复验证（指标、业务功能）；⑥ 复盘------时间线、5Why、Action Item 定人定期限。原则："先恢复后定位，变更是第一嫌疑"。

七、虚拟化与云

31. 虚拟化与容器

参考答案：虚机通过 Hypervisor 虚拟硬件，每台有独立内核，隔离强、启动慢（分钟级）、资源开销大；容器共享宿主内核，靠 namespace 隔离、cgroup 限额，轻量、秒级启动、密度高，但隔离弱、内核共享有安全风险。虚机适合强隔离/异构 OS，容器适合微服务和弹性伸缩，生产常"虚机/云主机 + 容器"组合。

32. 云服务器与物理机运维差异

参考答案：云上：关注安全组/网络 ACL、快照与镜像、弹性伸缩、多可用区、云监控、按量成本优化、API/ IaC 管理；硬件故障由云厂商兜底。物理机：管硬件（RAID、内存、磁盘）、IPMI/带外、机房网络与电力、备件、固件。云上更强调自动化和成本，物理机更强调硬件和底层。

八、场景与软技能

33. 半夜收到告警的处理流程

参考答案：① 先确认告警真实性（是否误报、是否已恢复）；② 快速评估影响面（哪些业务、多少用户、是否核心）；③ 止血（回滚最近变更、切流、重启、扩容）；④ 在群里通报"已知晓、正在处理、当前影响"；⑤ 定位根因；⑥ 恢复后验证并记录；⑦ 次日补复盘。体现分级响应、沟通及时、不盲目操作。

34. 最有价值的运维优化（STAR）

参考答案模板：S 背景（如"大促前订单服务 P99 达 2s，告警频繁"）→ T 目标（降到 500ms 内、告警降噪）→ A 动作（加缓存、连接池调优、慢 SQL 治理、加 Prometheus 分层告警）→ R 结果（P99 降 70%、告警量降 80%、MTTR 从 30min 到 5min）。要量化、要体现你主导的部分。

35. 开发与运维冲突

参考答案：本质是目标差异（快 vs 稳）。做法：用 SLO/错误预算把"稳"量化，让数据说话；推动标准化和自助化（CI/CD、平台工具）减少摩擦；建立变更流程和回滚机制，让开发敢发、运维敢放；故障复盘对事不对人；早期介入（DevOps/左移），把运维要求写进需求和架构评审。

附：高频命令速查（答题时可随口带出）

CPU/进程：top、htop、pidstat 1、mpstat -P ALL 1、ps -eo pid,stat,wchan,cmd
内存：free -h、vmstat 1、smem、/proc/meminfo
磁盘：df -h、df -i、iostat -x 1、iotop -o、lsof +L1
网络：ss -lntp、ss -s、ss -ti、netstat -s、nstat -az、tcpdump -i eth0 -nn port 80、mtr
日志/内核：journalctl -xe、dmesg -T、/var/log/messages
系统：uptime、systemctl status、lsof -p、strace -py