线上故障排查指南：从CPU飙升到接口变慢的完整定位思路

很多面试官喜欢在最后环节抛出一道“线上问题排查”的开放题，比如“线上服务CPU飙到100%，你怎么处理？”“接口突然变慢了，你从哪儿查起？”这种问题没有标准答案，但恰恰最能拉开候选人的差距。我面过不少候选人，背了一堆JVM参数和命令，真到这种场景题上，思路混乱、东一榔头西一棒子，几句话就露馅了。

这篇文章我不打算罗列题库，而是把“线上问题排查”这一类面试题背后的考察逻辑、高频场景的完整排查链路，以及面试官真正想听的回答框架拆开讲清楚。无论你是在准备面试，还是日常工作中遇到类似问题不知道从何下手，这篇内容都值得仔细看一遍。

1. 面试官抛出这道题，真实意图是考察什么

先想清楚一个问题：面试官问“线上出问题了你怎么排查”，他到底想听到什么？

很多人以为这是一道考命令的题，于是疯狂背诵top、jstack、jmap这些工具的参数。但实际上面试官根本不关心你背了多少命令，他关心的是你面对未知问题时的思维路径。线上故障的特点是：现象明确、根因未知、信息碎片化。你能不能从一堆看似无关的指标里找到那条主线，能不能在压力下保持有序操作，这才是考察的核心。

具体来说，面试官心里有四个打分维度。

第一个是排查思路是否成体系。候选人是从“现象→假设→验证→结论”这样推进，还是想到什么查什么。我记得有个候选人回答“CPU高就先重启”，当时面试官脸都黑了。重启确实能解决问题，但没找到根因，下次还会再犯，这在面试里属于“负分操作”。

第二个是工具是否熟练且理解原理。不光知道jstack能看线程栈，还得知道线程号为什么要转成十六进制才能匹配上。只会敲命令不理解输出含义的，一追问就卡壳。

第三个是是否有实战经验。真正处理过线上问题的人，开口第一句往往是“我会先看一下监控报警，确认影响范围”，而不是直接跳到执行命令。这种“先评估影响再动手”的肌肉记忆，只有真实经历过才能形成。

第四个是沟通和优先级意识。线上故障分秒必争，是先恢复服务还是先定位根因，这需要判断。有经验的人会先做止损操作，再慢慢查，这个决策过程本身就是面试官考察的重点。

所以，准备这类面试题的正确姿势不是背题，而是建立一套自己的排查框架，然后用实战经验去填充它。面试官问任何一道场景题，你都能把问题装进框架里，输出一套逻辑自洽的回答。

2. CPU飙升与内存溢出的排查链路拆解

线上问题里，CPU飙升和内存溢出是两类最经典的高频考题，几乎每场技术面试都会碰到。这两类问题的排查链路成熟、工具明确，也是最容易考察候选人基本功的地方。

2.1 CPU飙升：从top到线程栈的四步定位

先说你接到告警“CPU使用率100%”时的标准操作。第一步不是抓线程，而是看进程。登录服务器执行top，按CPU排序找到那个占用率异常的Java进程，记下PID。这一步很多人会跳过去直接jstack，但多进程场