程序员如何做「故障排查」：不是玄学，是方法论
系统出问题了，怎么快速定位原因？
很多程序员靠"经验"和"直觉"，但其实故障排查是有方法论的。
一、故障排查的步骤
1. 确认问题
- 用户反映什么问题
- 影响范围多大
- 什么时候开始的
2. 收集信息
- 查看监控和告警
- 查看日志
- 查看最近变更
3. 定位原因
- 是哪个服务的问题
- 是什么导致的
- 时间线是什么
4. 止血
- 先恢复服务
- 不要纠结根因，先止损
5. 复盘
- 问题是怎么发生的
- 以后怎么避免
二、常见的故障原因
1. 资源问题
- CPU 跑满
- 内存泄漏
- 磁盘满了
- 网络问题
2. 应用问题
- 代码 bug
- 配置错误
- 依赖服务挂了
3. 外部问题
- 第三方服务不可用
- 网络不可达
- DNS 问题
三、故障排查的工具
1. 日志
- grep / awk / sed
- ELK / Loki
- Sentry（异常日志）
2. 监控
- Grafana
- Prometheus
- APM（SkyWalking / Pinpoint）
3. 网络
- ping / telnet / curl
- tcpdump / wireshark
- traceroute
4. 系统
- top / htop（CPU/内存）
- netstat（网络连接）
- df / du（磁盘）
四、快速定位的技巧
1. 排除法
从基础设施到应用，从外到内，一层层排除。
2. 对比法
和正常情况对比——哪里不一样？
3. 回溯法
从问题发生的时间点往前推——最近做了什么变更？
4. 隔离法
关掉部分功能，确认是哪个模块的问题。
五、故障复盘的模板
1. 问题概述
什么问题？影响范围？
2. 时间线
- 什么时候发现的
- 什么时候恢复的
- 总共影响了多久
3. 根因分析
问题是怎么发生的？真的是什么？
4. 改进措施
- 短期：怎么止血
- 长期：怎么避免再次发生
六、一句话总结
故障排查 = 确认问题 + 收集信息 + 定位原因 + 止血 + 复盘。