SRE 事故响应：从告警到复盘的指挥系统
建立一套清晰的事故分级、角色分工、沟通节奏与复盘机制，让团队在高压现场保持一致行动。
近期文章
全部文章 →- 故障排查 1 分钟阅读
Linux Load Average 异常排查：别只盯着 CPU
从运行队列、不可中断睡眠和容器限额三个方向理解 Load Average，快速区分 CPU、I/O 与调度问题。
- 故障排查 1 分钟阅读
Linux 内存泄漏与 OOM：从现象定位到进程证据
区分页缓存、进程泄漏和 cgroup 限额，使用系统与进程级指标定位 OOM 的真实触发原因。
- 故障排查 1 分钟阅读
磁盘 I/O 延迟排查：从 iowait 找到慢设备
使用 iostat、pidstat 和块设备信息定位磁盘延迟，区分吞吐饱和、队列堆积与文件系统问题。
- 故障排查 1 分钟阅读
TCP 连接状态排查：TIME_WAIT、SYN_RECV 与端口耗尽
通过连接状态、监听队列和临时端口范围定位 TCP 建连失败，避免用错误的内核参数掩盖问题。
- 故障排查 1 分钟阅读
DNS 解析故障定位：从应用超时到权威记录
沿着本地缓存、递归解析、权威 DNS 和网络路径逐层定位解析失败与间歇性超时。
KNOWLEDGE INDEX
按问题域进入
从集群、网络、可观测性到 AI Ops，沿着真实工作流组织内容。