监控运维面试题.运维工程师面试题
一、基础概念题（8 题）
监控的核心目标是什么？运维监控的 “黄金指标” 有哪些？
参考答案：
核心目标：提前预警故障、快速定位根因、保障业务连续性、优化资源利用率。
黄金指标（参考 Google SRE 标准）：
可用性（Availability）：服务正常运行时间占比（如 99.99%）；
延迟（Latency）：用户请求从发起至响应的耗时（P50/P95/P99 分位数）；
吞吐量（Throughput）：单位时间内处理的请求数（如 QPS/TPS）；
错误率（Error Rate）：失败请求占总请求的比例（如 HTTP 5xx/4xx 占比）；
饱和度（Saturation）：资源（CPU / 内存 / 磁盘）的使用率，预测资源瓶颈。什么是白盒监控和黑盒监控？两者的区别与适用场景是什么？
参考答案：
白盒监控：基于系统内部指标（如 CPU、内存、数据库连接数、代码日志）的监控，需了解系统内部结构；
适用场景：服务器、数据库、中间件等组件的性能监控，故障根因定位；
黑盒监控：基于外部行为（如用户访问、接口调用）的监控，不关心系统内部实现；
适用场景：业务可用性监控（如网站是否可访问、接口是否正常响应）、用户体验监控；
区别：白盒侧重 “组件健康度”，黑盒侧重 “业务可用性”，运维中需两者结合（如 Zabbix 白盒监控 + Nagios 黑盒监控）。监控告警的 “分级” 和 “降噪” 有什么意义？如何实现告警降噪？
参考答案：
意义：
分级：避免所有告警同等对待，让运维人员优先处理核心故障（如 P0 级故障影响千万用户，P3 级仅影响单个非核心功能）；
降噪：减少 “告警风暴”（如某 OLT 宕机触发旗下所有 ONU 离线告警），避免运维人员疲劳。
降噪实现方式：
告警抑制：父故障触发后，抑制子故障告警（如服务器宕机后，抑制该服务器上所有应用的离线告警）；
告警合并：相同类型、同一节点的告警在一定时间内合并为一条（如 1 分钟内同一接口的 5 次超时告警合并）；
告警过滤：过滤已知非故障告警（如测试环境的临时告警）；
阈值优化：避免阈值过严导致的高频无效告警（如 CPU 使用率短期超 80% 不告警，连续 5 分钟超 80% 才告警）。什么是 “监控闭环”？完整的监控闭环包含哪些环节？
参考答案：
监控闭环：从 “指标采集→告警触发→故障处理→复盘优化” 的完整流程，确保故障全生命周期可追溯、可优化。
环节：
数据采集：通过 Agent、SNMP、日志等方式采集指标；
指标分析：对比阈值、趋势，判断是否触发告警；
告警推送：通过多渠道（短信、电话、钉钉）推送告警；
故障处理：运维人员响应并修复故障；
复盘优化：记录故障原因、处理过程，优化监控规则（如调整阈值、增加关联指标）。监控数据的 “时效性” 和 “准确性” 哪个更重要？为什么？
参考答案：
分场景判断：
核心业务故障监控（如支付接口、发电站设备）：时效性更重要，需毫秒级告警，避免故障扩大；
资源容量规