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
#监控
包含这个标签的文章。
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
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，Prometheus 重启时间明显变长； 日
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； 容器镜像、日志或临时目录占满节点磁盘，
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
Prometheus Target up=0 抓取失败的排查与修复实践
适用场景 本文适用于 Prometheus 已经配置了 scrape_configs，但在 Targets 页面看到目标实例显示 DOWN，或者 PromQL 查询 up{job="xxx"} == 0 的场景。常见对象包括 node_exporter、应用自暴露的 /metrics、Kubernetes Servic
Linux OOM Killer 导致服务被杀的排查与治理实践
适用场景 这篇文章适用于线上服务突然退出、容器被重启、systemd 日志里只有 Killed、监控显示内存瞬时打满，但应用日志没有明确异常栈的场景。常见环境包括物理机、云主机、Docker 容器和 Kubernetes 节点。 OOM Killer 的本质是内核在内存不可回收时主动选择进程终止，以保证系统还能继续运行