运维日志

RMAN 备份那套另写过，这篇只讲上线之后每天真会撞上的事：表空间悄悄涨满、业务喊慢你却不知道慢在哪、ORA-01555 和 ORA-00257 半夜报警、还有一句 ALTER SYSTEM KILL SESSION 救活被锁死的接口。不堆概念，给能直接敲的命令、能看懂的判断，以及我踩过的几个弯。

有人觉得有了 ZFS 和 LVM 就不需要 mdadm 了，可真到给一台老服务器加两块盘做镜像、或者把一组 SATA 盘凑成读写盘的时候，mdadm 还是最顺手的那一个。这篇文章不堆概念，直接讲怎么从零建 RAID、盘坏了怎么热替换、重建进度怎么盯，以及那些文档不会告诉你的坑——比如 RAID5 掉盘重建时第二块盘也读不出、bitmap 没开导致重建慢一倍、还有 RAID 永远不是备份这件事。

Redis 默认纯内存，进程一退数据全没。RDB 快照、AOF 日志、Redis 4.0 起的混合持久化，三者取舍和坑点远比「开个 AOF」复杂：fork 内存翻倍、AOF 重写期间丢数据、文件损坏启动不了、FLUSHALL 后怎么抢时间救。从一次断电复盘讲起，把配置、取舍、崩溃恢复和运维观测拆开说。

kill -9 把进程干不掉，ps 里却还挂着一行 defunct——这类现象八成被错怪成「服务僵死」。从一次凌晨告警讲起，把信号到底是什么、为什么 -9 也会失效、僵尸进程怎么定位又该怎么回收讲透，顺带把 D 状态、孤儿进程、systemd 的信号投递这几个真正容易踩的点拆开。

早上十点，监控群炸了：订单库 CPU 直接 100%，连接池打满，前端大批超时。Redis 这边呢，命中率从平时的 98% 掉到了 20% 出头。重启应用没用，把流量砍一半也没用，DB 还是在喘。最后定位到根因——前一晚发版时，一批缓存 key 被统一刷新，TTL 都设成了 3600 秒，于是这一

有次线上两个服务之间偶尔抽风：A 调 B 的接口，大部分请求几十毫秒回来，但每隔一阵就有几个请求卡到两三秒，甚至直接连不上。ping 是通的，telnet 端口也是通的，应用日志里只看到「调用超时」。这种问题如果只盯着应用层，会一直陷在「是不是代码有 bug」里转圈。 后来在 A 所在机器上抓了