大规模服务器集群如何自动化管理与巡检
哪些公司问过
答案要点
- CMDB 管理资产元数据,用标签或分组选定操作目标
- Ansible、SaltStack 等做批量执行与幂等配置,变更按批次灰度并支持回滚
- Prometheus 按服务发现采集指标,大规模时分片并用联邦或 Thanos 做全局查询
- Alertmanager 负责告警分级、去重、抑制和路由
- 定时巡检规则化输出异常清单,可自愈项自动处理,高危操作需审批与审计
易错点
- 靠手工登录或一次性脚本全量执行,没有灰度和失败阈值
- 监控标签设计随意导致时间序列基数爆炸,拖垮 Prometheus
- 告警只堆数量不分级,值班人员被告警风暴淹没
- 巡检只出报告不闭环,异常长期无人处理
面试官常见追问
- 单个 Prometheus 扛不住时怎么扩展?
- 如何避免告警风暴?
- 批量变更怎么保证安全?
完整的口述示范答案、每个追问的参考回答,在启面刷题中心查看;也可以让 AI 面试官用语音按这道题连环追问你。