Prometheus TSDB 磁盘增长过快的排查与治理实践
## 适用场景 本文适用于 Prometheus 运行一段时间后出现以下现象的场景： - Prometheus 数据目录持续膨胀，磁盘空间很快被打满； - `prometheus_tsdb_head_series`、`prometheus_tsdb_head_chunks` 持续上涨； - 查询变慢，Prometh
Today
持续记录，慢慢变好
技术笔记、项目复盘、阅读摘录和问题清单。
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
Kubernetes 节点 DiskPressure 导致 Pod Pending 的排查与治理实践
## 适用场景 本文适用于 Kubernetes 集群中出现以下问题的场景： - 新发布的 Pod 长时间处于 `Pending` 状态； - `kubectl describe pod` 中看到 `node(s) had disk pressure`； - 节点状态出现 `DiskPressure=True`；
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 upstream timed out 导致 504 的排查与治理实践
## 适用场景 本文适用于 Nginx 作为反向代理或网关时，用户访问接口偶发或持续返回 `504 Gateway Time-out`，错误日志中出现 `upstream timed out`、`while reading response header from upstream` 等信息的场景。 典型架构如下：
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 timeou
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
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
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
Linux conntrack 表满导致连接超时的排查与治理实践
## 适用场景 本文适用于 Linux 主机、NAT 网关、Docker 宿主机、Kubernetes Node 或开启防火墙规则的服务器。当业务出现偶发连接超时、DNS 查询失败、服务间调用间歇性失败，而 CPU、内存、磁盘都看起来正常时，可以把 conntrack 连接跟踪表作为重点排查对象。 典型环境包括：