一、稳定性问题概述
大家好，我是老张。今天咱们聊聊稳定性问题的根因分析。说实话，我在这个领域摸爬滚打十几年，踩过的坑比走过的路还多。每次线上出故障，第一反应都是「完了，又要背锅了」。但后来我发现，真正可怕的不是出问题，而是出了问题不知道怎么找原因。
所以这一章，我们先打好基础。搞清楚什么是稳定性问题，它有哪些类型，以及它的生命周期是怎样的。你想想看，连敌人长什么样都不知道，怎么打仗？
1.1 什么是稳定性问题
稳定性问题，说白了就是系统「不好好干活」了。我个人的定义很简单：系统在预期条件下，无法持续提供预期服务的能力。
举个例子。你开发了一个电商网站，平时好好的。突然双十一流量暴涨，页面打不开了。这就是稳定性问题。再比如，你的数据库每天凌晨三点准时挂掉，这也是稳定性问题。
核心判断标准：
- 系统是否在 SLA 承诺范围内正常运行？
- 用户是否感知到了异常？
- 业务指标是否出现了明显下降？
我记得有一次，一个同事跟我说：「系统没挂啊，就是慢了点。」我说：「慢就是问题。用户等 10 秒和等 1 秒，体验天差地别。」所以，稳定性问题不一定是系统崩溃，性能劣化也是。
1.2 稳定性问题的分类
根据我多年的经验，稳定性问题大致可以分为四类。嗯，这里我画了一张表，方便你对照着看。
| 分类 | 定义 | 典型表现 | 我遇到的案例 |
|---|---|---|---|
| 功能问题 | 系统功能不符合预期 | 按钮点不动、页面白屏、逻辑错误 | 支付回调漏处理，用户付了钱没到账 |
| 性能问题 | 系统响应慢或吞吐低 | 接口超时、CPU 飙高、连接池耗尽 | 慢 SQL 导致整个数据库被拖垮 |
| 安全问题 | 系统被攻击或数据泄露 | SQL 注入、越权访问、DDoS | 某次 API 未鉴权，用户数据被爬取 |
| 数据问题 | 数据丢失、不一致或损坏 | 主从不一致、数据重复、丢失记录 | 双写导致数据错乱，修复花了三天 |
功能问题
功能问题是最常见的。说白了就是「该有的功能没了」或者「功能跑偏了」。我建议你在排查时，先看代码逻辑，再看配置变更。很多时候，一次错误的发布就能引发大面积功能异常。
性能问题
性能问题往往最隐蔽。系统没挂，但就是慢。我个人习惯先看监控，再看日志。CPU、内存、IO、网络，一个一个排查。我曾经遇到过一个问题：一个循环里写了慢查询，导致接口响应从 10ms 变成了 10s。你想想看，这种问题不压测根本发现不了。
安全问题
安全问题最致命。因为它不仅影响系统，还可能让公司赔钱、吃官司。我建议所有接口都要做鉴权和限流。不要觉得「内网就安全」，内网被攻破的案例比比皆是。
数据问题
数据问题最头疼。因为数据一旦出问题，修复成本极高。我曾经遇到过主从延迟导致数据不一致，最后只能手动对账。嗯，那几天我几乎没合眼。
避坑指南： 我曾经以为「数据问题离我很远」，直到有一次线上数据被误删。从那以后，我养成了「任何数据操作都要先备份」的习惯。别嫌麻烦，真出了事你就知道备份有多重要了。
1.3 稳定性问题的生命周期
每个稳定性问题，都有它的「一生」。从出现到消失，大致经历五个阶段。理解这个生命周期，能帮你更高效地处理问题。
- 潜伏期：问题已经存在，但还没暴露。比如代码里有个 bug，但还没触发。
- 触发期：某个条件触发了问题。比如流量高峰、配置变更、依赖服务故障。
- 发现期：问题被监控或用户发现。这时候告警响了，或者用户投诉来了。
- 定位期：找到根因。这是最难的阶段，也是我们这门课的核心。
- 解决期：修复问题，验证通过，恢复服务。
关键点： 很多团队只关注「解决期」，忽略了「定位期」。结果就是同一个问题反复出现。我见过一个团队，同一个慢查询问题修了三次都没修好，就是因为没找到根因。
我个人习惯在问题解决后，再花 30 分钟做一次复盘。问自己三个问题：
- 根因是什么？
- 为什么监控没发现？
- 怎么防止再次发生？
你想想看，如果每次故障都只是「重启大法」，那你的系统永远不会有进步。只有深入分析根因，才能真正提升稳定性。
注意事项： 不要跳过「潜伏期」的预防。很多问题其实可以在潜伏期就被发现。比如代码审查、自动化测试、混沌工程。我建议每个团队都建立「稳定性红线」，把问题扼杀在摇篮里。
好了，这一章就到这里。下一章我们会深入讲解根因分析的具体方法。记住，稳定性问题不可怕，可怕的是不知道怎么分析。打好基础，后面才能走得更远。
公众号:蓝海资料掘金营，微信deep3321