凌晨 2 点告警炸锅，线上数据库 Pod 挂了挂挂停停，手忙脚乱地把它挂在 Deployment 下面，以为配置完了就万事大吉。结果 Pod 重启后不仅数据找不到，集群网络还直接死锁，业务大面积报错。今天我把 Deployment 与 StatefulSet 的底层区别、生产选型和踩坑避坑讲透...
上午 10 点 18 分，入口 Nginx 的 499 占比从不足 0.1% 升到了 8.6%。应用 CPU 只有 42%，内存没有明显上涨，6 个 Pod 也全部处于 Running 状态。有人看到 499 后马上判断：“这是客户端主动断开，和服务端没关系。”但客服反馈，用户打开订单查询页面...
一个横跨前端、后端和数据库的需求突然插进来：新增接口、调整页面、补单元测试，还要检查权限风险。如果把整件事一次性交给 Codex，它需要先读项目结构，再定位业务逻辑，然后修改代码、补测试、运行构建，最后还要审查自己的改动。任务不是不能完成，问题是所有探索记录、错误日志、测试输出和修改细节都挤在...
晚上 10 点，监控突然报警：接口 5xx 错误率持续升高。浏览器访问域名，HTTPS 证书正常，页面却返回 502 Bad Gateway。后端服务明还活着，在宿主机上执行 curl http://127.0.0.1:8080 也能正常响应。有人怀疑证书续期失败，有人准备重启代理，还有人开始...
月度复盘会上，监控大盘显示系统可用性已经达到 99.99%。业务负责人却问了三个问题：“这个数字怎么算出来的？数据从哪里来？用户真的只受影响了 4 分钟吗？”会议室一下安静了。有人用 Pod 存活率计算，有人统计工单里的故障时长，还有人直接拿网关 5xx 比例当可用性。同一个系统，三种算法分别...
热爱技术的云计算运维工程师，Python全栈工程师，分享开发经验与生活感悟。
欢迎关注我的微信公众号@运维躬行录，领取海量学习资料
