Kubernetes HPA 不扩容：从 metrics-server 指标缺失到恢复弹性的排查实践
适用场景 部署在 Kubernetes 中的 Web、API 或消费服务在高峰期 CPU 已长期接近上限，但 HorizontalPodAutoscaler（HPA）始终保持原副本数；也可能在 kubectl get hpa 中看到 CPU 显示为 <unknown>。本文以基于 CPU 利用率的 HPA 为例，给出一
Tag
#系统运维
包含这个标签的文章。
systemd StartLimitBurst 触发导致服务无法重启的排查与治理实践
适用场景 Linux 服务器上的 Java、Python、Go 或 Node.js 服务由 systemd 托管。发布后或依赖异常时，进程在几秒内连续退出；即使问题随后已修复，执行 systemctl restart 仍失败，状态显示为 failed，日志里出现 Start request repeated too q
Redis replication backlog 不足导致频繁全量同步的排查与治理实践
适用场景 Redis 采用主从复制，业务高峰时偶发写入延迟、主库 CPU 或网络突刺。日志中反复出现 Full resync requested、Partial resynchronization not accepted，从库短时间内加载 RDB，甚至与主库断开后很久才恢复。 本文适用于 Redis 6/7 的单主多
MySQL 联合索引顺序不匹配导致慢查询的排查与优化实践
适用场景 业务表按租户、状态和创建时间查询列表。数据量从几十万增长到千万级后，接口 P95 延迟突然升高；应用监控中数据库耗时占比明显增加，但 CPU 和磁盘利用率并不一定很高。 本文以常见的订单列表为例，说明如何确认“建了索引却没有用好”的联合索引问题，并在不影响线上写入的前提下完成优化。 现象描述 接口执行的 SQ
Linux 网卡 RX 队列和软中断堆积导致丢包的排查与治理实践
适用场景 线上服务出现间歇性超时、请求延迟抖动、连接偶发重置，但应用日志没有明显报错，CPU 总使用率也不高。进一步观察会发现某几颗 CPU 的 si 软中断占用很高，网卡统计里存在 rx_dropped、rx_missed_errors 或 ring buffer 溢出。这类问题常见于高并发网关、Nginx 入口机、
Linux TCP accept 队列溢出导致连接超时的排查与治理实践
适用场景 这篇文章适用于线上服务出现“偶发连接超时、重试后成功、服务 CPU 不高但新连接建立慢”的问题，尤其是 Nginx、网关、Java/Python Web 服务、RPC 服务或四层代理在流量突增时出现以下现象： 客户端报 connection timed out、connect timeout 或偶发 502/
MySQL 临时表落盘导致磁盘占用和查询延迟升高的排查实践
适用场景 本文适用于线上 MySQL 出现以下情况： 接口偶发变慢，慢查询集中在 ORDER BY、GROUP BY、DISTINCT、复杂分页或报表 SQL 上。 数据库实例的磁盘使用率短时间上涨，过一段时间又自动回落。 tmpdir 所在分区 IO 使用率升高，甚至出现 No space left on devic
Kubernetes ImagePullBackOff 镜像拉取失败的排查与修复实践
适用场景 这篇文章适用于 Pod 一直停留在 Pending、ErrImagePull 或 ImagePullBackOff，业务发布后没有新实例可用的场景。常见环境包括自建 Kubernetes、云厂商托管集群、私有镜像仓库 Harbor、阿里云/腾讯云镜像仓库，以及通过 CI/CD 自动更新镜像 tag 的发布链路
Redis AOF 重写导致磁盘 IO 飙高和写入延迟的排查与治理
适用场景 本文适用于线上 Redis 开启 AOF 持久化后，业务在某些时间段出现接口变慢、写入超时、Redis used_cpu_sys 升高、磁盘 await 或 util 接近打满的场景。常见部署形态包括单机 Redis、主从 Redis、哨兵架构，以及运行在云主机本地盘或云盘上的 Redis 实例。 重点关注下
Kubernetes Liveness Probe 配置过激导致服务反复重启的排查实践
适用场景 本文适用于 Kubernetes 中业务 Pod 间歇性进入 CrashLoopBackOff、RestartCount 持续增长、服务短时间不可用，但应用日志里又看不到明确业务异常的场景。常见于 Spring Boot、Django、Go HTTP 服务、Node.js 服务等 Web 应用，尤其是刚接入健