1398281322-a11y 可观测 / 线上排查
When to Invoke
慢接口、偶发失败、要加监控、事故复盘、全链路压测。高级面常问「线上 RT 高你怎么查」。
When NOT
还没写业务就上完整 APM 平台当任务本身。先有 TraceId 和关键指标。
风险（面试考点）
没有 同一 TraceId 穿网关→服务→MQ→DB，日志对不上。指标只看 CPU 会误判（可能是锁、GC、慢 SQL、依赖超时）。压测不带数据隔离会打脏生产。
排查顺序（固定）：
- 是全站还是单接口、从何时开始
- 错误率 / RT / QPS 哪个变了
- 依赖 RT（DB、Redis、Feign、MQ 积压）
- 实例是否均衡、GC、线程池拒绝
- 单请求日志（TraceId）看卡在哪一段
不要先 dump 堆。
方案选型（轻量优先）
| 层 | 默认 |
|---|---|
| 日志 | 每条带 traceId、userId、orderNo |
| 指标 | QPS、RT P99、错误率、线程池、DB 连接池、MQ 积压 |
| 追踪 | 网关生成 TraceId，Feign/MQ 透传 |
| 告警 | 错误率、P99、积压、拒绝次数，不是 CPU 单指标 |
默认方案
MDC 放 TraceId；HTTP 头 X-Trace-Id；RocketMQ 属性同样透传。慢 SQL 阈值 1s 先打日志。核心接口有黄金指标看板。
压测：影子表/影子标，或预发全量。生产全链路压测必须能识别压测流量并隔离写。
反例
错误：RT 高先重启再 dump。 正确：按上面 1–5。
错误：日志没有业务单号，只能搜时间。
正确：orderNo 可检索。
错误：只监控机器 CPU。 正确：先看接口和依赖。
验证
- 任意失败请求能用 TraceId 串起网关到 DB。
- 人为把从库打慢，看板能显示是 DB 不是 JVM。
评审清单
- 写路径日志有业务键 + TraceId
- 核心接口有 QPS/RT/错误
- 排查顺序不是先重启