TLS 证书链不完整导致部分客户端握手失败：从现场验证到无损修复
适用场景 本文适用于网站、API 网关或反向代理已经配置 HTTPS，但出现“浏览器能访问，部分 Java、Android、容器或命令行客户端却握手失败”的场景。典型报错包括 unable to get local issuer certificate、PKIX path building failed、certifi
Tag
#排查
包含这个标签的文章。
PostgreSQL 表越删越大且查询变慢：从死元组取证到 autovacuum 治理
适用场景 本文适用于更新、删除频繁的订单、任务、消息、审计记录等 PostgreSQL 表。典型现象是：业务已经清理大量历史数据，但表文件没有缩小；索引扫描和备份越来越慢；监控中的磁盘使用持续上涨；执行 VACUUM 后空间仍未归还操作系统。 本文重点解决三个问题：如何确认膨胀来自死元组，为什么 autovacuum
Prometheus 告警反复抖动：用 for、keep_firing_for 与规则测试稳定通知
适用场景 本文适用于 Prometheus 根据错误率、延迟、资源使用率等指标触发告警，并通过 Alertmanager 发送通知的场景。典型问题是：指标在阈值附近波动，告警几分钟内反复触发和恢复；短暂采集缺口被误判为恢复；值班人员收到大量重复通知，却难以判断故障是否真正结束。 目标不是简单地“把告警调迟”，而是分别处
Go HTTP 调用超时后吞吐下降：从取消传播到连接复用的治理实践
适用场景 本文适用于 Go 服务通过 net/http 调用内部 API、第三方接口或对象存储的场景。典型现象是：下游偶发变慢后，请求大量超时；下游恢复后，调用方吞吐仍然偏低；连接数、TIME_WAIT 或新建 TLS 连接数明显上升；日志只看到 context deadline exceeded，却无法判断超时发生在
Kubernetes 节点维护时 Pod 驱逐卡住：PDB 预算与安全排空实践
适用场景 集群管理员准备升级内核、更换节点或缩容节点池，执行 kubectl drain 后命令长时间重试，并反复出现 Cannot evict pod as it would violate the pod's disruption budget。业务当前未必已经中断，但维护窗口正在被耗尽。 本文适用于由 Deplo
Python 并发子任务失败后仍在运行：TaskGroup 取消与资源回收实践
适用场景 一个聚合接口同时读取用户资料与订单摘要，只有两项都成功才返回页面。某个依赖提前失败后，其他查询的结果已经没有用途，却仍占用连接和并发名额。本篇用纯标准库示例讨论这种“共同成功、共同结束”的请求边界。 示例需要 Python 3.11 或以上版本，本文在 Python 3.14 环境执行验证。演示使用内存事件替
PostgreSQL 连接池耗尽：从 idle in transaction 到事务边界治理
适用场景 应用运行一段时间后，新请求开始等待数据库连接，接口 P99 持续升高，最终出现连接池获取超时或 PostgreSQL too many connections。数据库 CPU、磁盘 I/O 和慢 SQL 指标却不高，重启应用后又能短暂恢复。 这类现象经常不是“连接池太小”，而是业务代码开启事务后没有及时提交或
FastAPI 接口并发升高后全站变慢：阻塞调用卡住事件循环的定位与治理
适用场景 FastAPI 服务平时响应正常，但只要某个文件处理、旧版 SDK 调用或报表计算接口并发升高，健康检查、登录和其他无关接口也一起变慢。CPU、内存和数据库连接数未必异常，扩容 Uvicorn worker 后只能暂时缓解。 这类问题常见于 async def 路由中直接调用同步阻塞函数。本文给出一个可复现的
Nginx 大文件上传返回 413：从限制链路定位到安全放行的排查实践
适用场景 业务通过 Nginx 上传图片、安装包、备份文件或导入数据时，小文件正常，大文件刚提交便收到 413 Request Entity Too Large。应用日志没有请求记录，客户端通常只看到一个 Nginx 错误页。 本文以“上传 80 MB 压缩包失败、10 MB 图片正常”为例，说明怎样确认拦截层、放开正
MySQL 主从复制延迟持续扩大：从现场取证到并行复制治理的排查实践
适用场景 本文适用于 MySQL 8.0 或已启用 GTID 的 MySQL 5.7 主从/主备架构：监控显示 Seconds_Behind_Source 持续增长，报表、读库或故障切换的恢复点开始不可接受。目标是先确认延迟真实原因，再在不破坏复制一致性的前提下恢复追平。 现象描述 一次订单促销后，主库写入从平时每秒数