生产事故现场作战白皮书：运维速查命令 + 实战案例 + 架构级防故障指南

生产事故作战手册（终极整合版）

每个场景统一结构： 事故现象 → 速查命令 → 止血操作 → 根因分类 → 架构级预防

0️⃣ 万能救命总览（任何事故先跑）

uptime top free -m df -h ss -lntup | head

1️⃣ CPU 100%

事故现象

• 接口超时
• 负载暴涨
• CPU 800%+

速查命令

top ps aux --sort=-%cpu | head top -Hp PID

止血操作

kill -9 PID systemctl restart app

根因分类

• 死循环
• Full GC
• 线程池耗尽
• 正则灾难

架构级预防

• CPU limit
• 熔断、限流
• 线程池监控
• JVM 指标接入 Prometheus

2️⃣ 内存爆 / OOM

事故现象

• 服务重启
• Pod OOMKilled

速查

free -m dmesg | tail ps aux --sort=-%mem | head

K8s：

kubectl describe pod xxx | grep -i oom

止血

kubectl set resources deployment app \ --limits=memory=2Gi --requests=memory=1Gi

根因

• JVM Xmx > limit
• 内存泄漏
• 缓存无限增长

架构级预防

• 容器资源规范
• 内存监控
• 堆转储分析

3️⃣ 磁盘满

事故现象

• 服务无法写文件
• MySQL 报 No space

速查

df -h du -sh /* 2>/dev/null | sort -hr | head lsof +L1

止血</