各位做运维的朋友还有正在准备校招的学弟学妹们今天想跟你们聊一个比较实在的话题系统运维工程师这个岗位在校招笔试里到底考什么以及更重要的——考这些东西背后究竟是希望你已经具备了哪些“从零搭建生产系统”的实战素养。我当年参加滴滴出行2018校园招聘网申笔试的时候报的就是系统运维工程师第二套试卷那套题让我印象很深。说实话它不像很多公司的笔试题那样只考一堆命令参数让你默写而是把很多实际运维场景里的问题揉碎了放在选择题、简答题和场景题里。今天我就以这套笔试为引子结合我自己后来在生产环境从零搭建系统的经验把运维工程师需要掌握的核心知识点、实操思路和常见坑一次性给你梳理清楚。如果你是在准备运维岗的校招或社招或者刚入行想系统建立运维知识体系这篇内容应该能帮你少走不少弯路。我会从笔试考点拆解开始逐步聊到生产环境的系统搭建流程、上线后的维护体系最后附上一些我踩过的坑和排查经验尽量做到既有理论又有实操参考价值。1. 从校招笔试看系统运维工程师的核心能力要求1.1 笔试到底想筛什么样的人滴滴2018校招运维笔试第二套整体给人的感觉是不考死记硬背考的是你有没有“生产环境思维”。很多同学复习运维笔试的时候喜欢抱着《鸟哥的Linux私房菜》翻来覆去地看命令参数这个确实有用但不够。校招笔试题量大、覆盖面广从Linux基础命令、网络协议、数据库常识到Shell/Python脚本能力、故障排查思路都会涉及。但仔细研究会发现它真正想筛选的不是“背了多少命令”的人而是“有没有在真实环境里折腾过”的人。举几个我当时印象比较深的考察方向Linux系统管理不只是问chmod的权限数字怎么算还会问/etc/fstab写错了导致系统无法启动怎么办这类问题没实际修过机器的人很难答得完整。网络基础会问到TCP三次握手、四次挥手的状态变迁也会问Nginx反向代理和负载均衡的配置区别。纯背书的人能说出概念但一旦结合“用户访问变慢怎么排查”就露馅了。数据库MySQL的InnoDB和MyISAM引擎区别基本是必考还会延伸到binlog的用途、主从复制的原理。这些不真正搭过主从、看过binlog的人很难讲清楚应用场景。脚本能力一般会给你一个场景比如“写一个Shell脚本统计Nginx访问日志中IP出现次数Top 10”这题不难但考察的是你能不能把Linux文本处理三剑客grep、awk、sed用得熟练。说白了运维工程师在校招笔试阶段的定位就是找一个“基础扎实、能上手干活、且具备一定排查思路”的苗子。不需要你有多深的架构能力但Linux、网络、数据库、脚本这些基本功必须过关。1.2 运维工程师的真实日常与能力模型笔试只是门槛真正决定你能否胜任的是你对“运维”这件事有没有完整的认知。我个人理解系统运维工程师的日常工作可以概括为三件事保障可用性、提升效率、控制成本。保障可用性确保你负责的系统7×24小时稳定运行。这包括监控告警、故障排查、备份恢复、容灾演练等。提升效率通过自动化脚本、持续集成/持续部署CI/CD工具、配置管理工具把重复性工作交给机器降低人为失误。控制成本合理规划服务器资源、云资源避免浪费。这个在云原生时代尤其重要资源开得太多是浪费开得太少影响业务。围绕这三件事运维工程师的能力模型大致包含五个维度能力维度核心内容校招考察点系统基础Linux操作、系统原理、文件系统、权限体系命令使用、系统故障排查网络基础TCP/IP协议栈、DNS、HTTP、负载均衡、防火墙网络排查思路、协议状态数据存储MySQL、Redis、对象存储等数据库原理、备份恢复、缓存策略脚本与自动化Shell、Python、Ansible等脚本编写、自动化思路监控与排查Zabbix/Prometheus、日志分析、性能调优监控指标设计、故障定位这五个维度不是孤立的实际工作中经常需要你同时运用。举个例子线上应用响应变慢你得先通过监控系统定位到是哪台机器、哪个进程、哪个接口然后可能需要查网络连接状态、看数据库慢查询日志、再结合系统负载和磁盘IO来综合判断。这一套流程下来Linux命令、网络知识、数据库常识、监控工具的运用全都要用上。2. 从零搭建生产系统的完整链路2.1 先想清楚再动手需求确认与架构规划笔试里经常给一个场景题“如果让你从零搭建一套Web应用系统你会怎么设计”很多人的回答上来就是“安装Nginx、装MySQL、部署代码”直接把架构和细节丢到一边这就是典型的缺乏全局思维。真实生产环境从零搭建第一步一定不是装软件而是搞清楚需求。你需要确认几个核心问题业务规模预估的访问量是多少日活、峰值QPS大概什么量级这决定了你要准备多少台机器、用什么样的架构。可用性要求系统允许多长时间的停机如果要求99.9%的可用性意味着一年停机时间不能超过8.76小时那么单机部署是绝对不行的必须考虑冗余。数据特性数据量多大增长多快是结构化数据还是非结构化数据这决定了数据库选型和存储方案。预算约束公司能给多少资源这决定了你是在物理机上自建还是上云以及上云的规格。先确认完这些问题才能谈架构设计。对于一套常规的Web系统我通常这样规划客户端 - DNS - 负载均衡Nginx/云SLB - Web应用集群至少2台 - 数据库主从1主1从起步 | - 缓存集群Redis主从/哨兵 - 对象存储静态资源分离这套架构并不复杂但已经能够应对绝大多数中小型业务。如果业务量再大可以继续拆分把Web层做水平扩展把数据库分库分表引入消息队列削峰填谷再上服务注册发现和配置中心。但那是后话对于从零搭建而言先把上面这套基础架构跑稳比一开始就追求微服务要务实得多。我个人的建议是先做加法再做减法。第一次搭建系统不要一上来就用一堆中间件能用单机解决的就别引入集群能用一个进程解决的就别拆成微服务。随着业务发展再逐步演进这样每次变更都有明确的驱动因素出了问题也容易定位。2.2 操作系统安装与基础环境初始化架构定好了接下来就是最基础的一步装系统、做初始化。这一步太基础了以至于很多教程直接跳过但恰恰是这一步的细节决定了你后续所有工作是否省心。以我最常用的CentOS 7.x/Ubuntu 20.04 LTS为例系统安装完后我会按以下顺序做基础初始化第一配置主机名和DNS。别用默认的localhost每台机器都要有规范的主机名例如web-01、db-01。同时确认/etc/resolv.conf里的DNS配置正确不然yum/apt装软件的时候会卡解析。第二创建普通用户并配置sudo权限。生产环境严禁直接用root操作这是铁律。我一般创建deploy用户加入wheel组CentOS或sudo组Ubuntu然后通过visudo配置免密sudo# 创建用户并设置密码 useradd deploy passwd deploy # 加入sudo组 usermod -aG wheel deploy # 配置免密sudo需要root执行 echo deploy ALL(ALL) NOPASSWD: ALL /etc/sudoers.d/deploy免密sudo是为了后面自动化脚本方便但要注意这个配置只应该放在内网的生产机器上并且要配合严格的登录管控后面会讲。第三配置SSH密钥登录并禁用密码登录。密码登录最大的问题就是容易被暴力破解。把公钥分发到~/.ssh/authorized_keys后在/etc/ssh/sshd_config里修改PasswordAuthentication no PubkeyAuthentication yes PermitRootLogin no改完记得systemctl reload sshd。另外建议把SSH默认端口改掉比如改成22999虽然这不是安全的核心手段但能帮你挡掉大量的扫描噪音。第四配置Yum/Apt源和基础软件包。内网环境可以配置本地镜像源个人使用直接配置阿里云或清华源即可。然后安装基础工具链# CentOS yum install -y vim net-tools wget curl lrzsz tree telnet nc tcpdump htop iotop sysstat ntpdate # Ubuntu apt update apt install -y vim net-tools wget curl lrzsz tree telnet netcat tcpdump htop iotop sysstat tzdata这里特别提醒sysstat一定要装它提供mpstat、pidstat、iostat、sar等性能排查工具后面排查问题的时候会频繁用到。第五配置时间和时区开启NTP同步。服务器时间不对会导致日志不准确、证书校验失败等一系列问题。用timedatectl设置时区为Asia/Shanghai并配置chrony或ntpd同步时间timedatectl set-timezone Asia/Shanghai systemctl enable --now chronyd第六优化内核参数和文件描述符限制。修改/etc/security/limits.conf提高进程能打开的文件数cat /etc/security/limits.conf EOF * soft nofile 65535 * hard nofile 65535 * soft nproc 65535 * hard nproc 65535 EOF同时调整/etc/sysctl.conf中一些关键参数比如net.ipv4.ip_local_port_range扩大本地端口范围、net.core.somaxconn增大socket监听队列、vm.swappiness降低swap使用倾向默认可以改成10左右cat /etc/sysctl.conf EOF net.ipv4.ip_local_port_range 1024 65535 net.core.somaxconn 65535 net.ipv4.tcp_max_syn_backlog 65535 vm.swappiness 10 EOF sysctl -p这一套做下来每台机器的基础环境就基本一致了。强烈建议这个过程用脚本固化下来不要让每台机器都手动敲一遍否则很容易出现两台机器配置不一致导致的诡异问题。我习惯把这套逻辑写成一个init.sh脚本配合Ansible或简单的Shell循环就能快速批量初始化机器。2.3 核心组件部署Nginx、MySQL、Redis基础环境就绪后就要开始安装核心组件了。这一步也是笔试的高频考点区域。Nginx部署Nginx可以说是运维工程师的看家本事。笔试中一般不会让你默写配置而是给你一个场景比如“如何配置一个静态文件服务器”“如何配置反向代理并限制某个IP的访问频率”。以一套标准的Nginx反向代理配置为例upstream backend { server 10.0.1.11:8080 max_fails3 fail_timeout30s; server 10.0.1.12:8080 max_fails3 fail_timeout30s; keepalive 32; } server { listen 80; server_name example.com; access_log /var/log/nginx/example.access.log main; error_log /var/log/nginx/example.error.log warn; location / { proxy_pass http://backend; proxy_set_header Host $host; proxy_set_header X-Real-IP $remote_addr; proxy_set_header X-Forwarded-For $proxy_add_x_forwarded_for; proxy_connect_timeout 5s; proxy_read_timeout 60s; } location /static/ { alias /data/static/; expires 7d; access_log off; } }这里有三个关键的运维经验点upstream里的max_fails和fail_timeout这两个参数配合能让负载均衡在后端某台机器连续失败3次后自动将其摘除30秒避免把请求打到已经挂掉的机器上。proxy_set_header X-Real-IP $remote_addr如果不配置这个后端应用拿到的永远是Nginx的IP无法获取用户真实IP。这个在做日志分析和限流时非常关键。静态资源分离把静态请求直接交给location /static/处理并配置强缓存能有效减轻后端压力。MySQL部署与主从配置MySQL的考察点通常是引擎选择、binlog作用、主从复制原理、备份策略。部署MySQL时生产环境我建议用二进制包或官方Yum仓库避免用系统自带的老版本。装完后有几个必改的参数你需要根据机器内存大小调整[mysqld] innodb_buffer_pool_size 4G # 一般为物理内存的50%-70% innodb_log_file_size 512M innodb_flush_log_at_trx_commit 1 # 双1模式保证数据安全 sync_binlog 1 binlog_format ROW server-id 1 log_bin /var/log/mysql/mysql-bin max_connections 500 character-set-server utf8mb4主从配置的核心逻辑不复杂主库开binlog从库通过IO线程拉取binlog写到本地relay log再由SQL线程重放。笔试如果让你描述主从复制原理把上面这句话展开说清楚就够了。但实际搭建有几个坑主从同步的账号一定要单独创建权限只需REPLICATION SLAVE别用root账号做复制。配置从库时要用CHANGE MASTER TO指定binlog文件名和位置。如果是新搭建的主从最好在主库先锁表、FLUSH TABLES WITH READ LOCK记录binlog位置后再做数据导入否则数据会不一致。监控主从状态SHOW SLAVE STATUS\G里面重点看Seconds_Behind_Master这个值持续增大说明从库已经跟不上了。Redis部署Redis作为缓存层几乎是标配。笔试对这种场景一般会问缓存穿透、缓存击穿、缓存雪崩的区别和解决方案。部署Redis生产实例时有几个配置是必须改的bind 10.0.1.10 # 只绑定内网IP不要暴露公网 port 6379 daemonize yes dir /data/redis appendonly yes # 开启AOF持久化 appendfsync everysec maxmemory 4gb maxmemory-policy allkeys-lru requirepass your_password这里我要特别强调两点生产环境Redis一定要设置密码。很多安全事件就是Redis裸奔导致被写入恶意定时任务这个坑我身边就有同事踩过。maxmemory-policy要提前想好。如果缓存数据允许淘汰用allkeys-lru如果有重要的会话数据不能被淘汰就要调整策略。默认的noeviction策略在内存满时会直接报错导致缓存写入失败连锁反应就是请求打到数据库上。2.4 安全基线配置账号、权限、防火墙系统搭建完后安全加固是经常被新手忽略、但校招笔试和面试中特别喜欢考察的部分。账号安全清理不用的系统账号检查/etc/passwd中是否有uid0的账号root之外的高权限账号用awk -F: $30{print $1} /etc/passwd检查。SSH登录限制配置sshd_config中AllowUsers或AllowGroups只允许指定用户登录。命令历史增强在/etc/profile里配置HISTSIZE10000和HISTTIMEFORMAT%F %T 这样history能看到带时间戳的记录出问题时可追溯。权限安全合理使用sudo不要把ALL权限直接给普通用户最小化授权。配置文件权限/etc/shadow、/etc/sudoers这些敏感文件权限要定期检查防止被改动。Web目录权限分离网站代码目录一般分为属主和部署用户/data/wwwroot的属主和权限要严格设计。我曾经见过因为网站目录权限是777导致恶意脚本被写入的案例非常危险。防火墙配置除非你的主机在云平台的安全组后面否则firewalld或iptables一定要启用。这里分享一套最小开放的iptables思路iptables -P INPUT DROP iptables -A INPUT -i lo -j ACCEPT iptables -A INPUT -m state --state ESTABLISHED,RELATED -j ACCEPT iptables -A INPUT -p tcp --dport 22999 -j ACCEPT # SSH端口 iptables -A INPUT -p tcp --dport 80 -j ACCEPT # Web端口 iptables -A INPUT -p tcp --dport 443 -j ACCEPT # HTTPS端口配置完保存并重启验证一下千万别把自己关在门外。实际操作时我建议先用iptables -P INPUT ACCEPT测试规则没问题后再改成DROP或者用at命令在5分钟后自动恢复防火墙防止误操作导致连不上服务器。3. 系统上线后的持续维护体系3.1 监控告警体系从系统指标到业务指标系统搭好只是万里长征第一步真正让运维工程师“值钱”的是系统上线后你如何保证它稳定运行。这里的第一件事就是监控。没有监控的系统就像蒙着眼睛开车出了事才知道那就已经晚了。监控体系的核心不是“装了一个Zabbix/Prometheus”就完事而是你要想清楚监控什么、告警给谁、如何设置阈值。从监控层级上看我一般分三层第一层硬件/系统层。CPU使用率、内存使用率、磁盘空间、磁盘IO、网络带宽、系统负载。这一层的监控可以直接用node_exporterPrometheus方案或Zabbix Agent自动采集。第二层应用/中间件层。Nginx的活跃连接数、请求吞吐量、错误率MySQL的QPS/TPS、慢查询数、主从延迟Redis的内存使用率、命中率、阻塞客户端数。第三层业务层。这是很多人容易忽略的。比如一个电商系统你要监控“每分钟订单量”“支付成功率”“购物车接口的响应时间”。业务监控的告警往往比系统监控更有价值——系统负载再正常如果订单量突然跌到0那才是大事故。关于告警阈值设置我个人的经验是不要设得太敏感否则告警疲劳会让真正重要的告警被忽略。比如CPU使用率可以设为持续5分钟超过85%才告警磁盘空间建议当使用率超过80%时Warning超过90%时Critical。你要记住监控是为了发现“正在发生或即将发生的问题”而不是让值班人被噪音淹没。3.2 日志收集与分析排障的“黑匣子”日志是运维排查问题最核心的依据。我在笔试后复盘时跟同学说凡是涉及“线上故障排查”的场景题答案里基本都绕不开“看日志”这一步。但从零搭建系统时日志不能只是让应用往文件里写就算完事。生产环境的日志管理至少要解决三个问题一是日志的统一采集。当你有10台服务器时不可能每台都SSH上去tail -f。统一采集的常规方案是ELK/EFKFilebeat采集日志 - 传输到Logstash/Kafka - 写入Elasticsearch - Kibana展示。这套链路组件多、部署复杂但如果你的日志量真的到了那个规模它是值得投入的。二是日志的规范化。应用日志要遵循统一的格式比如JSON格式或标准字段分隔格式包含时间戳、日志级别、请求ID、业务字段等。没有规范格式的日志几乎等于没写。我见过很多项目排查问题遇到瓶颈就是因为日志里连一个能关联请求的唯一ID都没有。三是日志的保留策略。日志不能无限增长磁盘空间是有限的。要规划好日志保留周期常用热日志保留7天压缩归档的冷日志保留30~90天。用logrotate做日志轮转这个必须配置。比如Nginx日志的轮转配置cat /etc/logrotate.d/nginx EOF /var/log/nginx/*.log { daily missingok rotate 14 compress delaycompress notifempty create 640 nginx adm sharedscripts postrotate [ -f /var/run/nginx.pid ] kill -USR1 cat /var/run/nginx.pid endscript } EOF这个配置的含义是每天轮转一次保留14份归档压缩历史日志。postrotate里的kill -USR1是告诉Nginx重新打开日志文件否则日志会继续写入已被重命名的文件里磁盘空间无法释放。这个细节在面试里问到过能答上来会加分。3.3 备份策略与容灾演练最容易被忽视的生命线讲到备份很多运维同学会觉得“这不是很简单吗写个脚本定时打包不就完了”但真到出故障的时候能不能顺利恢复才是检验备份方案的唯一标准。备份的核心原则是3-2-1原则即数据要有3份副本存储在2种不同的介质上其中1份存放在异地。对于多数业务而言三个层次都要覆盖数据库备份MySQL的话物理备份用Percona XtraBackup逻辑备份用mysqldump。备份频率根据业务容忍度来定常规做法是每天全备每6小时增量备份利用binlog。配置文件备份Nginx、PHP、应用配置这些变更频繁的文本文件可以用etckeeper或Git仓库管理每次变更留痕。代码发布包备份每个上线版本的回滚包要保留通常保留最近N个版本。但比备份更重要的是恢复演练。我讲过很多次没有验证过能恢复的备份等于没有备份。我自己的习惯是每季度至少做一次全流程恢复演练从备份介质中恢复一台全新的数据库实例然后应用最新binlog验证数据一致性和业务可用性。恢复演练时建议关注三个数据RPO恢复点目标即最多能丢多少数据和RTO恢复时间目标即多久能恢复业务。面试中如果被问到容灾方案能说出这两个指标并给出明确的承诺值会显得非常专业。3.4 变更管理与版本发布稳定性的“隐形杀手”生产环境的大部分故障其实不是硬件故障而是变更导致的故障。做了这么多年运维我越来越深地体会到稳定运行的秘诀不是“不动”而是“每个变更都可控”。具体的做法主要有四点第一变更前要有方案和回滚计划。任何变更尤其是数据库结构变更、核心配置变更必须提前评估影响面写清楚变更步骤和每一步的回滚操作。第二发布流程要自动化。手动发布的流程容易出错。用GitLab CI/CD或Jenkins搭建发布流水线从代码提交到测试、构建、灰度发布、全量发布都自动完成。发布过程应该具备一键回滚能力通常是通过保留上一版本的应用包并在发布失败时切换回来。第三灰度发布是保命手段。不要把新版本一次性发布到所有机器。先在1台机器上发布观察日志和监控指标10~30分钟没有问题再扩大到更多机器。大公司叫“金丝雀发布”或“灰度发布”原理是一样的。第四变更后要留“观察期”。我的习惯是每次变更后至少观察15分钟的系统指标和业务指标确认平稳后再进行下一步操作。很多线上故障就是在变更后没观察直接奔赴下一个任务结果半小时后业务就挂了。4. 笔试和面试中的高频考点与实战避坑4.1 基础概念题会做但不一定能答全运维笔试的基础题有时候越是简单越容易栽跟头。滴滴这套题里就有几个非常典型的知识点我挑几个说一说软链接和硬链接的区别。这两个概念几乎每次笔试都会出现。对比项硬链接软链接符号链接inode与原文件相同与原文件不同指向直接指向inode指向文件路径跨文件系统不支持支持对目录不允许允许原文件删除后链接仍有效链接失效变成悬空链接理解的关键在于inode硬链接是“同一个inode的多个名字”软链接是“存储了目标路径的一个特殊文件”。我建议面试时这样回答既完整又清晰。TCP三次握手为什么是三次而不是两次。核心原因是为了防止“已失效的连接请求报文段突然又传到了服务端”造成的资源浪费。如果只有两次握手服务端无法确认客户端的接收能力是否正常。三次握手最少化地实现了双方的收发能力确认。kill -9为什么是最后手段。进程收到SIGKILL信号时没有机会做清理工作文件缓冲来不及落盘、临时文件来不及删除、子进程可能变成孤儿进程。正确做法是先kill默认发送SIGTERM给进程留出优雅处理的时间如果进程确实僵死无法退出再考虑kill -9。4.2 场景题线上故障排查的思路笔试的场景题其实是在考察你的排查思路是否清晰。我总结了一套通用的线上故障排查五步法很多场景题套这个框架就能答得比较完整第一步明确影响范围。故障影响了哪些用户、哪些功能、哪些机器是全部挂了还是部分挂了是持续的还是间歇的第二步看监控定方向。打开监控面板看系统负载、CPU、内存、磁盘、网络以及应用层的错误率、响应时间。这一步能快速帮你判断问题出在哪一层。第三步看日志找线索。应用错误日志、Nginx访问日志、系统日志/var/log/messages里常有最直接的异常信息。第四步复现与假设验证。如果是间歇性问题尝试在测试环境复现如果是性能问题用top、iostat、vmstat、netstat等工具做进一步定位。第五步应急恢复与根因分析。先通过重启、回滚、扩容等手段恢复业务再深入分析根因制定长期修复方案。举个例子如果笔试场景是“用户反馈网站访问变慢”我的回答框架是先确认是部分用户还是全部用户是所有页面还是某个接口看Nginx的upstream_response_time和access.log定位耗时在哪个环节用top看Web服务器和数据库服务器的CPU/内存/IO负载检查MySQL慢查询日志看是否有SQL性能问题检查Redis/缓存命中率确认是否有缓存失效导致的DB压力突增。这个思路的价值在于即使你不知道最终的根因是什么但你的排查路径是有逻辑、有步骤的这比瞎猜要强得多。4.3 我踩过的三个典型坑最后分享几个我在实际运维中踩过的坑这些都来自真实生产环境希望能帮你提前避雷。坑一系统盘被日志写满导致服务全线崩溃有一次我一个同事负责的应用日志写得太猛把系统盘根分区写满了。由于日志系统、系统临时文件都依赖系统盘结果不只是应用挂了连SSH都登录不上只能去机房或者通过管理后台强制重启。排查发现是因为应用日志没有做logrotate轮转而且日志输出级别设置的是DEBUG。这个教训让我养成了一个习惯装完任何一个应用第一件事就检查它的日志轮转配置而且在测试环境把日志量跑大验证轮转是否真的生效。坑二MySQL主从复制延迟导致读到旧数据有一个项目刚上线时流量不大主从复制完全没问题。后来业务快速增长从库的Seconds_Behind_Master经常跳到几十秒。最麻烦的是应用层部分功能是读写分离的结果用户刚提交的数据刷新后查不到体验非常差。当时排查下来主要原因有两个一是从库的硬件配置和主库差太多二是从库上还在跑着一些重量级统计查询占用了IO资源。后来升级了从库硬件并把统计分析类查询单独挪到专用库上问题才解决。这个坑告诉我主从复制不是搭好就完事从库的硬件、负载、监控都要跟上。坑三变更没做回滚方案差点造成长时间故障有次升级MySQL版本从小版本5.7.28升到5.7.36我以为是小版本升级风险很小就没准备回滚方案。结果升级后遇到一个和现有字符集排序规则相关的兼容性问题直接导致线上查询报错。因为没有现成的回滚步骤被迫从备份重新搭建库折腾了大半夜才恢复。那次之后我给自己定了规矩任何变更哪怕再小必须有“一键回滚”的方案并在变更前一天把步骤写到文档里再过一遍脑子。5. 考试之外给运维新人几点个人建议笔试和面试其实只是一个起点。真正在工作中让你脱颖而出的往往不是某个命令背得熟而是下面这些习惯和意识第一凡事留痕。在线上的每一步操作建议都用文档或操作记录记下来即使是很微小的命令。出了问题时你能通过记录还原“这几分钟内到底改了什么”。我个人的习惯是每台服务器操作前先拍摄系统的关键状态比如uptime、free -h、df -h操作后也记录一次作为前后对比。第二主动做“脏活累活”。刚入行的前两年不要抗拒写脚本、做巡检、处理告警这类基础工作。很多人觉得巡检无聊其实巡检是让你快速熟悉系统整体健康状况的机会。把巡检脚本写得足够自动化同时保留人工抽查的环节你会比别人更早建立对系统的敏感度。第三知识要成体系。运维知识非常零散零散的知识记不住也容易忘。我建议把学到的知识整理成自己的知识库比如用Markdown维护一个“问题排查手册”记录“现象-原因-解决步骤”三元组。时间长了这本手册就是你最宝贵的财富面试时也能体现出你的知识沉淀。第四重视自动化。在笔试中会写脚本是加分项在工作中自动化能力是立身之本。能用脚本解决的重复性工作绝对不要手动做能用Ansible批量执行的绝对不要逐台操作。我以前写过一句话运维最大的价值不是“会修东西”而是“让系统根本不需要修”。从滴滴2018校招笔试聊到现在你会发现校招笔试考的那些Linux命令、网络协议、数据库原理本质上都是为“生产环境从零搭建系统并做好维护”这件事服务的。系统运维工程师这个岗位门槛不高但天花板很高。入门靠的是基础知识和动手能力进阶靠的是体系化思维和实战经验的积累。我个人在实际排查问题中最大的体会是运维最珍贵的不是“知道正确答案”而是“知道去哪找答案”。系统的知识结构、规范的流程意识、严谨的操作习惯这些东西比任何一条命令都更有价值。希望这篇内容能帮你把运维的知识框架串起来考试也好、真实工作也罢都能少走一些弯路。 从校招笔试到生产实战：系统运维工程师核心技能全解析
各位做运维的朋友还有正在准备校招的学弟学妹们今天想跟你们聊一个比较实在的话题系统运维工程师这个岗位在校招笔试里到底考什么以及更重要的——考这些东西背后究竟是希望你已经具备了哪些“从零搭建生产系统”的实战素养。我当年参加滴滴出行2018校园招聘网申笔试的时候报的就是系统运维工程师第二套试卷那套题让我印象很深。说实话它不像很多公司的笔试题那样只考一堆命令参数让你默写而是把很多实际运维场景里的问题揉碎了放在选择题、简答题和场景题里。今天我就以这套笔试为引子结合我自己后来在生产环境从零搭建系统的经验把运维工程师需要掌握的核心知识点、实操思路和常见坑一次性给你梳理清楚。如果你是在准备运维岗的校招或社招或者刚入行想系统建立运维知识体系这篇内容应该能帮你少走不少弯路。我会从笔试考点拆解开始逐步聊到生产环境的系统搭建流程、上线后的维护体系最后附上一些我踩过的坑和排查经验尽量做到既有理论又有实操参考价值。1. 从校招笔试看系统运维工程师的核心能力要求1.1 笔试到底想筛什么样的人滴滴2018校招运维笔试第二套整体给人的感觉是不考死记硬背考的是你有没有“生产环境思维”。很多同学复习运维笔试的时候喜欢抱着《鸟哥的Linux私房菜》翻来覆去地看命令参数这个确实有用但不够。校招笔试题量大、覆盖面广从Linux基础命令、网络协议、数据库常识到Shell/Python脚本能力、故障排查思路都会涉及。但仔细研究会发现它真正想筛选的不是“背了多少命令”的人而是“有没有在真实环境里折腾过”的人。举几个我当时印象比较深的考察方向Linux系统管理不只是问chmod的权限数字怎么算还会问/etc/fstab写错了导致系统无法启动怎么办这类问题没实际修过机器的人很难答得完整。网络基础会问到TCP三次握手、四次挥手的状态变迁也会问Nginx反向代理和负载均衡的配置区别。纯背书的人能说出概念但一旦结合“用户访问变慢怎么排查”就露馅了。数据库MySQL的InnoDB和MyISAM引擎区别基本是必考还会延伸到binlog的用途、主从复制的原理。这些不真正搭过主从、看过binlog的人很难讲清楚应用场景。脚本能力一般会给你一个场景比如“写一个Shell脚本统计Nginx访问日志中IP出现次数Top 10”这题不难但考察的是你能不能把Linux文本处理三剑客grep、awk、sed用得熟练。说白了运维工程师在校招笔试阶段的定位就是找一个“基础扎实、能上手干活、且具备一定排查思路”的苗子。不需要你有多深的架构能力但Linux、网络、数据库、脚本这些基本功必须过关。1.2 运维工程师的真实日常与能力模型笔试只是门槛真正决定你能否胜任的是你对“运维”这件事有没有完整的认知。我个人理解系统运维工程师的日常工作可以概括为三件事保障可用性、提升效率、控制成本。保障可用性确保你负责的系统7×24小时稳定运行。这包括监控告警、故障排查、备份恢复、容灾演练等。提升效率通过自动化脚本、持续集成/持续部署CI/CD工具、配置管理工具把重复性工作交给机器降低人为失误。控制成本合理规划服务器资源、云资源避免浪费。这个在云原生时代尤其重要资源开得太多是浪费开得太少影响业务。围绕这三件事运维工程师的能力模型大致包含五个维度能力维度核心内容校招考察点系统基础Linux操作、系统原理、文件系统、权限体系命令使用、系统故障排查网络基础TCP/IP协议栈、DNS、HTTP、负载均衡、防火墙网络排查思路、协议状态数据存储MySQL、Redis、对象存储等数据库原理、备份恢复、缓存策略脚本与自动化Shell、Python、Ansible等脚本编写、自动化思路监控与排查Zabbix/Prometheus、日志分析、性能调优监控指标设计、故障定位这五个维度不是孤立的实际工作中经常需要你同时运用。举个例子线上应用响应变慢你得先通过监控系统定位到是哪台机器、哪个进程、哪个接口然后可能需要查网络连接状态、看数据库慢查询日志、再结合系统负载和磁盘IO来综合判断。这一套流程下来Linux命令、网络知识、数据库常识、监控工具的运用全都要用上。2. 从零搭建生产系统的完整链路2.1 先想清楚再动手需求确认与架构规划笔试里经常给一个场景题“如果让你从零搭建一套Web应用系统你会怎么设计”很多人的回答上来就是“安装Nginx、装MySQL、部署代码”直接把架构和细节丢到一边这就是典型的缺乏全局思维。真实生产环境从零搭建第一步一定不是装软件而是搞清楚需求。你需要确认几个核心问题业务规模预估的访问量是多少日活、峰值QPS大概什么量级这决定了你要准备多少台机器、用什么样的架构。可用性要求系统允许多长时间的停机如果要求99.9%的可用性意味着一年停机时间不能超过8.76小时那么单机部署是绝对不行的必须考虑冗余。数据特性数据量多大增长多快是结构化数据还是非结构化数据这决定了数据库选型和存储方案。预算约束公司能给多少资源这决定了你是在物理机上自建还是上云以及上云的规格。先确认完这些问题才能谈架构设计。对于一套常规的Web系统我通常这样规划客户端 - DNS - 负载均衡Nginx/云SLB - Web应用集群至少2台 - 数据库主从1主1从起步 | - 缓存集群Redis主从/哨兵 - 对象存储静态资源分离这套架构并不复杂但已经能够应对绝大多数中小型业务。如果业务量再大可以继续拆分把Web层做水平扩展把数据库分库分表引入消息队列削峰填谷再上服务注册发现和配置中心。但那是后话对于从零搭建而言先把上面这套基础架构跑稳比一开始就追求微服务要务实得多。我个人的建议是先做加法再做减法。第一次搭建系统不要一上来就用一堆中间件能用单机解决的就别引入集群能用一个进程解决的就别拆成微服务。随着业务发展再逐步演进这样每次变更都有明确的驱动因素出了问题也容易定位。2.2 操作系统安装与基础环境初始化架构定好了接下来就是最基础的一步装系统、做初始化。这一步太基础了以至于很多教程直接跳过但恰恰是这一步的细节决定了你后续所有工作是否省心。以我最常用的CentOS 7.x/Ubuntu 20.04 LTS为例系统安装完后我会按以下顺序做基础初始化第一配置主机名和DNS。别用默认的localhost每台机器都要有规范的主机名例如web-01、db-01。同时确认/etc/resolv.conf里的DNS配置正确不然yum/apt装软件的时候会卡解析。第二创建普通用户并配置sudo权限。生产环境严禁直接用root操作这是铁律。我一般创建deploy用户加入wheel组CentOS或sudo组Ubuntu然后通过visudo配置免密sudo# 创建用户并设置密码 useradd deploy passwd deploy # 加入sudo组 usermod -aG wheel deploy # 配置免密sudo需要root执行 echo deploy ALL(ALL) NOPASSWD: ALL /etc/sudoers.d/deploy免密sudo是为了后面自动化脚本方便但要注意这个配置只应该放在内网的生产机器上并且要配合严格的登录管控后面会讲。第三配置SSH密钥登录并禁用密码登录。密码登录最大的问题就是容易被暴力破解。把公钥分发到~/.ssh/authorized_keys后在/etc/ssh/sshd_config里修改PasswordAuthentication no PubkeyAuthentication yes PermitRootLogin no改完记得systemctl reload sshd。另外建议把SSH默认端口改掉比如改成22999虽然这不是安全的核心手段但能帮你挡掉大量的扫描噪音。第四配置Yum/Apt源和基础软件包。内网环境可以配置本地镜像源个人使用直接配置阿里云或清华源即可。然后安装基础工具链# CentOS yum install -y vim net-tools wget curl lrzsz tree telnet nc tcpdump htop iotop sysstat ntpdate # Ubuntu apt update apt install -y vim net-tools wget curl lrzsz tree telnet netcat tcpdump htop iotop sysstat tzdata这里特别提醒sysstat一定要装它提供mpstat、pidstat、iostat、sar等性能排查工具后面排查问题的时候会频繁用到。第五配置时间和时区开启NTP同步。服务器时间不对会导致日志不准确、证书校验失败等一系列问题。用timedatectl设置时区为Asia/Shanghai并配置chrony或ntpd同步时间timedatectl set-timezone Asia/Shanghai systemctl enable --now chronyd第六优化内核参数和文件描述符限制。修改/etc/security/limits.conf提高进程能打开的文件数cat /etc/security/limits.conf EOF * soft nofile 65535 * hard nofile 65535 * soft nproc 65535 * hard nproc 65535 EOF同时调整/etc/sysctl.conf中一些关键参数比如net.ipv4.ip_local_port_range扩大本地端口范围、net.core.somaxconn增大socket监听队列、vm.swappiness降低swap使用倾向默认可以改成10左右cat /etc/sysctl.conf EOF net.ipv4.ip_local_port_range 1024 65535 net.core.somaxconn 65535 net.ipv4.tcp_max_syn_backlog 65535 vm.swappiness 10 EOF sysctl -p这一套做下来每台机器的基础环境就基本一致了。强烈建议这个过程用脚本固化下来不要让每台机器都手动敲一遍否则很容易出现两台机器配置不一致导致的诡异问题。我习惯把这套逻辑写成一个init.sh脚本配合Ansible或简单的Shell循环就能快速批量初始化机器。2.3 核心组件部署Nginx、MySQL、Redis基础环境就绪后就要开始安装核心组件了。这一步也是笔试的高频考点区域。Nginx部署Nginx可以说是运维工程师的看家本事。笔试中一般不会让你默写配置而是给你一个场景比如“如何配置一个静态文件服务器”“如何配置反向代理并限制某个IP的访问频率”。以一套标准的Nginx反向代理配置为例upstream backend { server 10.0.1.11:8080 max_fails3 fail_timeout30s; server 10.0.1.12:8080 max_fails3 fail_timeout30s; keepalive 32; } server { listen 80; server_name example.com; access_log /var/log/nginx/example.access.log main; error_log /var/log/nginx/example.error.log warn; location / { proxy_pass http://backend; proxy_set_header Host $host; proxy_set_header X-Real-IP $remote_addr; proxy_set_header X-Forwarded-For $proxy_add_x_forwarded_for; proxy_connect_timeout 5s; proxy_read_timeout 60s; } location /static/ { alias /data/static/; expires 7d; access_log off; } }这里有三个关键的运维经验点upstream里的max_fails和fail_timeout这两个参数配合能让负载均衡在后端某台机器连续失败3次后自动将其摘除30秒避免把请求打到已经挂掉的机器上。proxy_set_header X-Real-IP $remote_addr如果不配置这个后端应用拿到的永远是Nginx的IP无法获取用户真实IP。这个在做日志分析和限流时非常关键。静态资源分离把静态请求直接交给location /static/处理并配置强缓存能有效减轻后端压力。MySQL部署与主从配置MySQL的考察点通常是引擎选择、binlog作用、主从复制原理、备份策略。部署MySQL时生产环境我建议用二进制包或官方Yum仓库避免用系统自带的老版本。装完后有几个必改的参数你需要根据机器内存大小调整[mysqld] innodb_buffer_pool_size 4G # 一般为物理内存的50%-70% innodb_log_file_size 512M innodb_flush_log_at_trx_commit 1 # 双1模式保证数据安全 sync_binlog 1 binlog_format ROW server-id 1 log_bin /var/log/mysql/mysql-bin max_connections 500 character-set-server utf8mb4主从配置的核心逻辑不复杂主库开binlog从库通过IO线程拉取binlog写到本地relay log再由SQL线程重放。笔试如果让你描述主从复制原理把上面这句话展开说清楚就够了。但实际搭建有几个坑主从同步的账号一定要单独创建权限只需REPLICATION SLAVE别用root账号做复制。配置从库时要用CHANGE MASTER TO指定binlog文件名和位置。如果是新搭建的主从最好在主库先锁表、FLUSH TABLES WITH READ LOCK记录binlog位置后再做数据导入否则数据会不一致。监控主从状态SHOW SLAVE STATUS\G里面重点看Seconds_Behind_Master这个值持续增大说明从库已经跟不上了。Redis部署Redis作为缓存层几乎是标配。笔试对这种场景一般会问缓存穿透、缓存击穿、缓存雪崩的区别和解决方案。部署Redis生产实例时有几个配置是必须改的bind 10.0.1.10 # 只绑定内网IP不要暴露公网 port 6379 daemonize yes dir /data/redis appendonly yes # 开启AOF持久化 appendfsync everysec maxmemory 4gb maxmemory-policy allkeys-lru requirepass your_password这里我要特别强调两点生产环境Redis一定要设置密码。很多安全事件就是Redis裸奔导致被写入恶意定时任务这个坑我身边就有同事踩过。maxmemory-policy要提前想好。如果缓存数据允许淘汰用allkeys-lru如果有重要的会话数据不能被淘汰就要调整策略。默认的noeviction策略在内存满时会直接报错导致缓存写入失败连锁反应就是请求打到数据库上。2.4 安全基线配置账号、权限、防火墙系统搭建完后安全加固是经常被新手忽略、但校招笔试和面试中特别喜欢考察的部分。账号安全清理不用的系统账号检查/etc/passwd中是否有uid0的账号root之外的高权限账号用awk -F: $30{print $1} /etc/passwd检查。SSH登录限制配置sshd_config中AllowUsers或AllowGroups只允许指定用户登录。命令历史增强在/etc/profile里配置HISTSIZE10000和HISTTIMEFORMAT%F %T 这样history能看到带时间戳的记录出问题时可追溯。权限安全合理使用sudo不要把ALL权限直接给普通用户最小化授权。配置文件权限/etc/shadow、/etc/sudoers这些敏感文件权限要定期检查防止被改动。Web目录权限分离网站代码目录一般分为属主和部署用户/data/wwwroot的属主和权限要严格设计。我曾经见过因为网站目录权限是777导致恶意脚本被写入的案例非常危险。防火墙配置除非你的主机在云平台的安全组后面否则firewalld或iptables一定要启用。这里分享一套最小开放的iptables思路iptables -P INPUT DROP iptables -A INPUT -i lo -j ACCEPT iptables -A INPUT -m state --state ESTABLISHED,RELATED -j ACCEPT iptables -A INPUT -p tcp --dport 22999 -j ACCEPT # SSH端口 iptables -A INPUT -p tcp --dport 80 -j ACCEPT # Web端口 iptables -A INPUT -p tcp --dport 443 -j ACCEPT # HTTPS端口配置完保存并重启验证一下千万别把自己关在门外。实际操作时我建议先用iptables -P INPUT ACCEPT测试规则没问题后再改成DROP或者用at命令在5分钟后自动恢复防火墙防止误操作导致连不上服务器。3. 系统上线后的持续维护体系3.1 监控告警体系从系统指标到业务指标系统搭好只是万里长征第一步真正让运维工程师“值钱”的是系统上线后你如何保证它稳定运行。这里的第一件事就是监控。没有监控的系统就像蒙着眼睛开车出了事才知道那就已经晚了。监控体系的核心不是“装了一个Zabbix/Prometheus”就完事而是你要想清楚监控什么、告警给谁、如何设置阈值。从监控层级上看我一般分三层第一层硬件/系统层。CPU使用率、内存使用率、磁盘空间、磁盘IO、网络带宽、系统负载。这一层的监控可以直接用node_exporterPrometheus方案或Zabbix Agent自动采集。第二层应用/中间件层。Nginx的活跃连接数、请求吞吐量、错误率MySQL的QPS/TPS、慢查询数、主从延迟Redis的内存使用率、命中率、阻塞客户端数。第三层业务层。这是很多人容易忽略的。比如一个电商系统你要监控“每分钟订单量”“支付成功率”“购物车接口的响应时间”。业务监控的告警往往比系统监控更有价值——系统负载再正常如果订单量突然跌到0那才是大事故。关于告警阈值设置我个人的经验是不要设得太敏感否则告警疲劳会让真正重要的告警被忽略。比如CPU使用率可以设为持续5分钟超过85%才告警磁盘空间建议当使用率超过80%时Warning超过90%时Critical。你要记住监控是为了发现“正在发生或即将发生的问题”而不是让值班人被噪音淹没。3.2 日志收集与分析排障的“黑匣子”日志是运维排查问题最核心的依据。我在笔试后复盘时跟同学说凡是涉及“线上故障排查”的场景题答案里基本都绕不开“看日志”这一步。但从零搭建系统时日志不能只是让应用往文件里写就算完事。生产环境的日志管理至少要解决三个问题一是日志的统一采集。当你有10台服务器时不可能每台都SSH上去tail -f。统一采集的常规方案是ELK/EFKFilebeat采集日志 - 传输到Logstash/Kafka - 写入Elasticsearch - Kibana展示。这套链路组件多、部署复杂但如果你的日志量真的到了那个规模它是值得投入的。二是日志的规范化。应用日志要遵循统一的格式比如JSON格式或标准字段分隔格式包含时间戳、日志级别、请求ID、业务字段等。没有规范格式的日志几乎等于没写。我见过很多项目排查问题遇到瓶颈就是因为日志里连一个能关联请求的唯一ID都没有。三是日志的保留策略。日志不能无限增长磁盘空间是有限的。要规划好日志保留周期常用热日志保留7天压缩归档的冷日志保留30~90天。用logrotate做日志轮转这个必须配置。比如Nginx日志的轮转配置cat /etc/logrotate.d/nginx EOF /var/log/nginx/*.log { daily missingok rotate 14 compress delaycompress notifempty create 640 nginx adm sharedscripts postrotate [ -f /var/run/nginx.pid ] kill -USR1 cat /var/run/nginx.pid endscript } EOF这个配置的含义是每天轮转一次保留14份归档压缩历史日志。postrotate里的kill -USR1是告诉Nginx重新打开日志文件否则日志会继续写入已被重命名的文件里磁盘空间无法释放。这个细节在面试里问到过能答上来会加分。3.3 备份策略与容灾演练最容易被忽视的生命线讲到备份很多运维同学会觉得“这不是很简单吗写个脚本定时打包不就完了”但真到出故障的时候能不能顺利恢复才是检验备份方案的唯一标准。备份的核心原则是3-2-1原则即数据要有3份副本存储在2种不同的介质上其中1份存放在异地。对于多数业务而言三个层次都要覆盖数据库备份MySQL的话物理备份用Percona XtraBackup逻辑备份用mysqldump。备份频率根据业务容忍度来定常规做法是每天全备每6小时增量备份利用binlog。配置文件备份Nginx、PHP、应用配置这些变更频繁的文本文件可以用etckeeper或Git仓库管理每次变更留痕。代码发布包备份每个上线版本的回滚包要保留通常保留最近N个版本。但比备份更重要的是恢复演练。我讲过很多次没有验证过能恢复的备份等于没有备份。我自己的习惯是每季度至少做一次全流程恢复演练从备份介质中恢复一台全新的数据库实例然后应用最新binlog验证数据一致性和业务可用性。恢复演练时建议关注三个数据RPO恢复点目标即最多能丢多少数据和RTO恢复时间目标即多久能恢复业务。面试中如果被问到容灾方案能说出这两个指标并给出明确的承诺值会显得非常专业。3.4 变更管理与版本发布稳定性的“隐形杀手”生产环境的大部分故障其实不是硬件故障而是变更导致的故障。做了这么多年运维我越来越深地体会到稳定运行的秘诀不是“不动”而是“每个变更都可控”。具体的做法主要有四点第一变更前要有方案和回滚计划。任何变更尤其是数据库结构变更、核心配置变更必须提前评估影响面写清楚变更步骤和每一步的回滚操作。第二发布流程要自动化。手动发布的流程容易出错。用GitLab CI/CD或Jenkins搭建发布流水线从代码提交到测试、构建、灰度发布、全量发布都自动完成。发布过程应该具备一键回滚能力通常是通过保留上一版本的应用包并在发布失败时切换回来。第三灰度发布是保命手段。不要把新版本一次性发布到所有机器。先在1台机器上发布观察日志和监控指标10~30分钟没有问题再扩大到更多机器。大公司叫“金丝雀发布”或“灰度发布”原理是一样的。第四变更后要留“观察期”。我的习惯是每次变更后至少观察15分钟的系统指标和业务指标确认平稳后再进行下一步操作。很多线上故障就是在变更后没观察直接奔赴下一个任务结果半小时后业务就挂了。4. 笔试和面试中的高频考点与实战避坑4.1 基础概念题会做但不一定能答全运维笔试的基础题有时候越是简单越容易栽跟头。滴滴这套题里就有几个非常典型的知识点我挑几个说一说软链接和硬链接的区别。这两个概念几乎每次笔试都会出现。对比项硬链接软链接符号链接inode与原文件相同与原文件不同指向直接指向inode指向文件路径跨文件系统不支持支持对目录不允许允许原文件删除后链接仍有效链接失效变成悬空链接理解的关键在于inode硬链接是“同一个inode的多个名字”软链接是“存储了目标路径的一个特殊文件”。我建议面试时这样回答既完整又清晰。TCP三次握手为什么是三次而不是两次。核心原因是为了防止“已失效的连接请求报文段突然又传到了服务端”造成的资源浪费。如果只有两次握手服务端无法确认客户端的接收能力是否正常。三次握手最少化地实现了双方的收发能力确认。kill -9为什么是最后手段。进程收到SIGKILL信号时没有机会做清理工作文件缓冲来不及落盘、临时文件来不及删除、子进程可能变成孤儿进程。正确做法是先kill默认发送SIGTERM给进程留出优雅处理的时间如果进程确实僵死无法退出再考虑kill -9。4.2 场景题线上故障排查的思路笔试的场景题其实是在考察你的排查思路是否清晰。我总结了一套通用的线上故障排查五步法很多场景题套这个框架就能答得比较完整第一步明确影响范围。故障影响了哪些用户、哪些功能、哪些机器是全部挂了还是部分挂了是持续的还是间歇的第二步看监控定方向。打开监控面板看系统负载、CPU、内存、磁盘、网络以及应用层的错误率、响应时间。这一步能快速帮你判断问题出在哪一层。第三步看日志找线索。应用错误日志、Nginx访问日志、系统日志/var/log/messages里常有最直接的异常信息。第四步复现与假设验证。如果是间歇性问题尝试在测试环境复现如果是性能问题用top、iostat、vmstat、netstat等工具做进一步定位。第五步应急恢复与根因分析。先通过重启、回滚、扩容等手段恢复业务再深入分析根因制定长期修复方案。举个例子如果笔试场景是“用户反馈网站访问变慢”我的回答框架是先确认是部分用户还是全部用户是所有页面还是某个接口看Nginx的upstream_response_time和access.log定位耗时在哪个环节用top看Web服务器和数据库服务器的CPU/内存/IO负载检查MySQL慢查询日志看是否有SQL性能问题检查Redis/缓存命中率确认是否有缓存失效导致的DB压力突增。这个思路的价值在于即使你不知道最终的根因是什么但你的排查路径是有逻辑、有步骤的这比瞎猜要强得多。4.3 我踩过的三个典型坑最后分享几个我在实际运维中踩过的坑这些都来自真实生产环境希望能帮你提前避雷。坑一系统盘被日志写满导致服务全线崩溃有一次我一个同事负责的应用日志写得太猛把系统盘根分区写满了。由于日志系统、系统临时文件都依赖系统盘结果不只是应用挂了连SSH都登录不上只能去机房或者通过管理后台强制重启。排查发现是因为应用日志没有做logrotate轮转而且日志输出级别设置的是DEBUG。这个教训让我养成了一个习惯装完任何一个应用第一件事就检查它的日志轮转配置而且在测试环境把日志量跑大验证轮转是否真的生效。坑二MySQL主从复制延迟导致读到旧数据有一个项目刚上线时流量不大主从复制完全没问题。后来业务快速增长从库的Seconds_Behind_Master经常跳到几十秒。最麻烦的是应用层部分功能是读写分离的结果用户刚提交的数据刷新后查不到体验非常差。当时排查下来主要原因有两个一是从库的硬件配置和主库差太多二是从库上还在跑着一些重量级统计查询占用了IO资源。后来升级了从库硬件并把统计分析类查询单独挪到专用库上问题才解决。这个坑告诉我主从复制不是搭好就完事从库的硬件、负载、监控都要跟上。坑三变更没做回滚方案差点造成长时间故障有次升级MySQL版本从小版本5.7.28升到5.7.36我以为是小版本升级风险很小就没准备回滚方案。结果升级后遇到一个和现有字符集排序规则相关的兼容性问题直接导致线上查询报错。因为没有现成的回滚步骤被迫从备份重新搭建库折腾了大半夜才恢复。那次之后我给自己定了规矩任何变更哪怕再小必须有“一键回滚”的方案并在变更前一天把步骤写到文档里再过一遍脑子。5. 考试之外给运维新人几点个人建议笔试和面试其实只是一个起点。真正在工作中让你脱颖而出的往往不是某个命令背得熟而是下面这些习惯和意识第一凡事留痕。在线上的每一步操作建议都用文档或操作记录记下来即使是很微小的命令。出了问题时你能通过记录还原“这几分钟内到底改了什么”。我个人的习惯是每台服务器操作前先拍摄系统的关键状态比如uptime、free -h、df -h操作后也记录一次作为前后对比。第二主动做“脏活累活”。刚入行的前两年不要抗拒写脚本、做巡检、处理告警这类基础工作。很多人觉得巡检无聊其实巡检是让你快速熟悉系统整体健康状况的机会。把巡检脚本写得足够自动化同时保留人工抽查的环节你会比别人更早建立对系统的敏感度。第三知识要成体系。运维知识非常零散零散的知识记不住也容易忘。我建议把学到的知识整理成自己的知识库比如用Markdown维护一个“问题排查手册”记录“现象-原因-解决步骤”三元组。时间长了这本手册就是你最宝贵的财富面试时也能体现出你的知识沉淀。第四重视自动化。在笔试中会写脚本是加分项在工作中自动化能力是立身之本。能用脚本解决的重复性工作绝对不要手动做能用Ansible批量执行的绝对不要逐台操作。我以前写过一句话运维最大的价值不是“会修东西”而是“让系统根本不需要修”。从滴滴2018校招笔试聊到现在你会发现校招笔试考的那些Linux命令、网络协议、数据库原理本质上都是为“生产环境从零搭建系统并做好维护”这件事服务的。系统运维工程师这个岗位门槛不高但天花板很高。入门靠的是基础知识和动手能力进阶靠的是体系化思维和实战经验的积累。我个人在实际排查问题中最大的体会是运维最珍贵的不是“知道正确答案”而是“知道去哪找答案”。系统的知识结构、规范的流程意识、严谨的操作习惯这些东西比任何一条命令都更有价值。希望这篇内容能帮你把运维的知识框架串起来考试也好、真实工作也罢都能少走一些弯路。