线上服务突然大量超时，监控显示入口 QPS 下降、错误率上升；部分实例 CPU 100%，部分实例 CPU 很低；重启后暂时恢复，但过一会儿又出现。你作为值班人，前 10 分钟会做什么？请按时间顺序给出动作，并说明在信息不足时如何避免误操作扩大故障。

面试官在考什么

判断候选人线上故障处理的优先级、止损与定位的平衡、信息收集能力，以及是否知道哪些操作会扩大故障。

线上故障排查

回答框架 · 前两步

1. 先止损：确认影响面，必要时回滚最近发布或配置，摘除异常实例，限流降级，同时尽量保留现场如线程栈、堆 dump 和关键日志。
2. 快速收集：看发布记录、配置变更、依赖状态、入口 QPS、错误率、延迟、实例分布，以及 CPU、内存、GC、线程和连接池指标。

同一能力域的其他题

• 生产环境某接口每天偶发几笔“参数校验失败”，现有日志只有一行“invalid param”，没有请求上下文，也无法在测试环境复现。约束：不能重启服务、不能停流量、不能改业务逻辑。你如何在不影响线上稳定的前提下补日志或使用断点定位？请给出操作顺序、日志字段和级别、断点使用条件，以及日志量过大时的控制手段。
• 线上一个服务 QPS 约 5000，某核心接口 P99 约 200ms。存在一个约万分之一概率的数据不一致问题，平均每天出现 3~5 次，本地和压测环境都复现不出来，下一次上线窗口在一周后。现在要在生产现场抓这个问题的证据。请具体说明：你会用日志还是断点（或动态追踪）？日志打在哪一层、打哪些字段、如何控制采样？如果在 5000 QPS 的进程上挂一个阻塞式断点，会造成什么后果，你用什么手段规避？
• 你们的在线推理服务跑在 60 个 Pod 上，高峰 8k QPS，每个请求平均打 12 行 INFO 日志，日志平台按写入量计费。现在日增 30TB、保留 30 天，日志成本已经接近计算成本的一半，但 SRE 依然抱怨出事时日志不够用。请给出你的日志治理方案：分级和采样怎么定、哪些日志必须 100% 保留、如何在量降下来的同时不丢排查能力，以及你打算怎么推动各业务方配合。另外说清楚：生产环境需要看某个 Pod 的详细执行过程时，你会用断点还是动态日志，为什么。
• 一个 Flask 接口线上每天有几次返回 500，日志里只有一行 "handle request failed"，没有堆栈；本地用同样的参数打了几千次都复现不了。请说出你接下来会怎么改日志让下一次失败能自证原因：加哪些字段、用什么级别？另外有人提议直接在线上挂断点单步调试，你怎么看？
• 某接口 P99 从 200ms 涨到 1.2s，平均耗时只涨了约 100ms，CPU 使用率没有明显变化，入口 QPS 基本不变。你手上只有该服务的性能剖析工具（CPU profiler、锁分析、GC 日志、链路追踪）和少量机器权限。请说明你会先看什么、再看什么，如何逐步区分是 CPU、锁、GC、IO、下游依赖还是排队导致的长尾。
• 线上服务 QPS 稳定在 2000，业务量没有变化，但接口 P99 从 50ms 恶化到 300ms。机器 CPU 使用率只有 60%，内存指标正常，下游依赖的 RT 监控也没变化。团队第一反应是“扩容加副本”。请说明你的排查路径：你会先看哪些指标，选择哪种 profiling（CPU sampling、wall-clock、off-CPU、锁/GC/IO 等待分析），为什么？在这个场景下扩容能不能解决问题？