初级DevOps / SRE面试题

初级阶段的考察重点

考察 Linux/网络基础、脚本，以及在引导下完成运维任务。

DevOps / SRE常见面试题示例

• 技术面某个服务变慢了。讲讲你如何从操作系统层往上排查。
  好回答应覆盖

  • top/htop/uptime排查CPU/内存/IO
  • iostat/vmstat/ss查看磁盘/网络瓶颈
  • 慢查询日志与APM工具（如Jaeger）
  • strace/perf追踪系统调用
  • 瓶颈分解法：自上而下逐层缩小范围

  查看范例答案

  首先用top或htop查看系统整体资源使用情况，确认CPU、内存、磁盘IO或网络是否有异常。如果CPU高，再用perf或strace采样进程内部热点；如果磁盘IO高，用iostat检查磁盘队列长度和等待时间，并用iotop定位具体进程；网络方面用ss或iftop查看连接数与吞吐量。接着进入应用层，使用APM工具（如Jaeger或SkyWalking）追踪慢请求的完整调用链，定位耗时在数据库查询还是外部API。数据库层面开启慢查询日志，检查全表扫描或索引缺失。最后检查配置变更或限流是否导致排队。常见陷阱是忽略内核上下文切换和软中断（如软网络中断高）。

• 技术面当你输入一个 URL 并按下回车，一步步会发生什么？
  好回答应覆盖

  • DNS解析（递归/迭代，本地缓存）
  • TCP三次握手与TLS握手
  • HTTP请求构建与负载均衡
  • 应用处理（中间件、业务逻辑、数据库查询）
  • 响应渲染与浏览器渲染

  查看范例答案

  首先浏览器从缓存中查找URL对应的IP，若未命中则进行DNS递归查询获取目标IP。然后通过TCP三次握手建立连接；若为HTTPS，在TCP之后进行TLS握手协商加密参数。浏览器构建HTTP请求并发送，若存在CDN或负载均衡器，请求先被它们处理。后端服务解析请求，经过中间件（如认证、限流）、路由到业务逻辑，可能调用数据库或微服务，最后生成HTTP响应。响应返回后浏览器解析HTML、CSS、JS，构建DOM树、CSSOM树，执行渲染，期间可能发起额外请求（如图片、API）。常见陷阱是忽略HTTP/2多路复用或浏览器并发连接限制。

• 技术面Kubernetes 的 liveness 和 readiness 探针有什么区别？
  好回答应覆盖

  • liveness探针：监控进程是否存活，失败则重启容器
  • readiness探针：监控服务是否就绪，失败则从Service端点摘除
  • 启动初期需区分就绪与存活延迟
  • 常见配置：httpGet/tcpSocket/exec
  • 误区：使用readiness实现依赖检查（如数据库）需注意初始延迟

  查看范例答案

  liveness探针用于判断容器是否处于运行状态，如果探测失败，kubelet会根据重启策略重启容器。常用于检测死锁或内部故障。readiness探针则判断容器是否准备好处理请求，失败时Pod会从Service的端点列表中移除，不会接收到流量，但不会被重启。常见配置包括HTTP请求、TCP端口检查或执行命令。两者都需要设置合理的initialDelaySeconds以避免启动时误判。关键区别：liveness影响容器生命周期，readiness影响流量路由。实际中常配置readiness检查上游依赖（如数据库）是否可达，但依赖超时可能导致级联摘除，需要权衡。

• 编程写一个脚本，解析日志并报告错误率最高的几项。
  好回答应覆盖

  • 使用awk统计日志中的ERROR等级
  • 按错误信息分组并计数
  • 排序输出前N个高频错误
  • 处理日志格式：时间 级别 组件 消息
  • 适用场景：异常监控、故障定位

  查看范例答案

  可以通过awk或Python快速实现。下面是一个bash+awk脚本，假设日志格式为'[时间] [级别] [组件] 消息'，例如'[2025-03-15 10:00:00] [ERROR] [auth] Invalid token'。脚本提取级别为ERROR的行，按消息内容分组统计，并按计数降序输出前5项。同时给出Python版本。

  #!/bin/bash
  # 统计错误日志前5高频错误消息
  awk '/\[ERROR\]/ { for(i=4;i<=NF;i++) msg=msg" "$i; count[msg]++; msg="" } END { for(m in count) print count[m], m }' /var/log/app.log | sort -rn | head -5

• 系统设计设计一条支持安全、渐进式生产发布的 CI/CD 流水线。
  好回答应覆盖

  • 代码提交触发自动构建与单元测试
  • 安全扫描（SAST/DAST/镜像扫描）
  • 部署到staging环境进行集成测试
  • 渐进式发布（金丝雀、蓝绿、滚动更新）
  • 自动回滚与人工审批门禁

  查看范例答案

  设计一条安全高效的CI/CD流水线：开发者提交代码后首先触发Pre-commit hooks（如lint、格式检查），然后构建镜像并进行SAST（静态应用安全测试）和镜像漏洞扫描。通过后将镜像部署到staging环境，运行集成测试和压力测试。验证通过后，进入自动化渐进式发布阶段：首先将新版本部署至金丝雀（如5%流量），观察错误率和延迟指标，若正常则逐步扩大流量至100%。若出现异常，自动触发回滚。全程配置堡垒审批节点，对关键环境（如生产）要求人工确认。常见陷阱是忽略数据库变更的兼容性，需在流水线中集成数据库迁移脚本的版本控制。

• 系统设计为一个多区域服务设计监控和告警。
  好回答应覆盖

  • 基础设施监控：CPU/内存/网络/磁盘（Prometheus+Node Exporter）
  • 应用性能监控：请求延迟/错误率/吞吐量（OpenTelemetry+Jaeger）
  • 分布式追踪标识跨区域请求链路
  • 日志聚合（ELK/Loki）与告警规则（基于SLO）
  • 全球负载均衡器与区域健康监测

  查看范例答案

  为多区域服务设计监控时，首先要统一采集层：每个区域部署Prometheus实例收集基础设施和业务指标，并使用Thanos或Cortex进行全局聚合。应用层采用OpenTelemetry SDK注入trace和metrics，通过Jaeger或Grafana Tempo实现跨区域链路追踪。日志方面使用Loki或Elasticsearch，按region索引，方便按区域检索。关键告警规则基于SLO（如99.9%可用性），设置燃烧速率告警（例如错误预算消耗速度超过阈值）。此外，配置全球负载均衡器（如Cloudflare或AWS Global Accelerator）的健康检查，一旦区域故障自动切换。常见陷阱是跨区域监控延迟导致的误判，需要合理设置评估周期和静默期。

• 行为面讲一次你主导处理的故障，以及复盘后采取的行动。
  好回答应覆盖

  • 情境：线上支付接口延迟激增，成功率下降
  • 任务：快速恢复服务并查明根因
  • 行动：立即回滚上一个版本，同时分析慢查询日志
  • 行动：定位到数据库索引缺失，DBA紧急添加索引
  • 结果：服务恢复，事后引入数据库变更审计流程

  查看范例答案

  在一次主导的故障处理中，发现支付接口P99延迟从50ms飙升到5s，成功率降至80%。紧急启动Incident Response流程，先回滚了最近一次的代码变更，延迟降回1s但仍偏高。同时与DBA分析数据库慢查询，发现一条新SQL缺少索引导致全表扫描。立即添加索引后延迟恢复至正常。事后复盘发现原因是开发未在预发布环境执行索引检查，因此我们采取了以下行动：在CI流水线中增加数据库索引分析步骤，要求所有数据库变更必须经DBA审批，并设置索引缺失告警。这次事件强调了可观测性和快速回滚的重要性。

• 行为面你如何在可靠性工作和功能需求之间取得平衡？
  好回答应覆盖

  • 定义SLO与错误预算指导决策
  • 优先处理影响SLO的可靠性问题
  • 与产品团队协作，为可靠性预留时间
  • 使用故障注入测试评估新功能风险
  • 避免零和博弈，追求可持续交付节奏

  查看范例答案

  平衡可靠性工作与功能需求的关键是数据驱动。首先为服务定义明确的SLO（如99.9%可用性）和错误预算（每月允许的不可用时间）。当错误预算充足时，团队可以优先投入新功能开发；当预算消耗过快时，暂停功能开发，集中精力解决可靠性问题。与产品团队透明沟通这些指标，共同制定迭代计划。另外，通过故障注入测试（如Chaos Engineering）提前发现新功能可能引入的可靠性风险，从而在设计中修复。常见陷阱是过度追求100%可靠性导致交付缓慢，而合理的SLO和预算能够量化风险容忍度。

面试官重点考察什么

如何准备

• 从第一性原理排障——面试官想看到系统化、分层的方法。
• 把答案围绕 SLO、错误预算和无指责复盘来组织。
• 在答案里把一切都自动化；手动步骤会被视为危险信号。

常见问题