阿里云面试问答（34 题）

发表于 2026-08-27 更新于 2026-09-10 分类于技术阅读次数： Changyan：

本文整理了阿里云面试问答（34 题）相关的 34 个高频面试问题，从基础到进阶再到生产实战层层递进，覆盖阿里云、面试等核心考点，每题附参考回答与追问，适合面试前系统复习。

适用岗位：运维工程师 / 技术支持工程师 / AI 运维工程师 / DevOps 工程师

一、岗位高频速查

岗位	必考问题（3-5 个）	一句话要点
运维工程师	① ECS 登录不上怎么排查？② RDS 慢查询/磁盘满怎么处理？③ 弹性伸缩的伸缩规则怎么配的？④ 告警怎么配、告警风暴怎么防？⑤ 成本优化做过什么？	以故障排查、稳定性、资源管理为主线，突出”真实操作过”而不是”知道”
技术支持工程师	① 客户报”服务器连不上”，你的排查 SOP？② 安全组放行了还是不通，可能的原因？③ RDS 主备切换对业务有什么影响？④ 包年包月到期没续费，数据能找回吗？⑤ 怎么跟客户解释”不是阿里云的问题”？	考察沟通 + 分层排查 + 阿里云产品的”规则细节”（到期、回收站、切换时长），要能说清边界
AI 运维工程师	① 训练/推理任务在 ECS/ACK 上怎么调度，抢占式实例能不能用？② GPU 实例规格和计费了解吗？③ ARMS 链路追踪怎么定位模型接口慢？④ 日志/指标怎么喂给 LLM 做智能诊断？⑤ RAG 服务（Qdrant 等）部署在云上要注意什么？	高频会问云上跑 AI 工作负载：GPU 规格、抢占式/节省计划、ACK 调度、可观测数据接入；你的 LLM/RAG 经验是差异化优势
DevOps 工程师	① CI/CD 流水线构建镜像后怎么部署到 ACK？② Terraform/Ansible 管理阿里云资源怎么做的？③ ACK 托管版和自建 K8s 选哪个？④ 镜像仓库 ACR 与 Harbor 的取舍？⑤ 弹性伸缩 + K8s HPA 怎么配合？	高频会问云资源即代码（IaC）、容器化交付链路、ACK 与 CI/CD 打通，强调自动化而非手工操作

二、基础篇（12 题）

Q1. 什么是地域（Region）和可用区（Availability Zone）？有什么区别？怎么选？

【考察点】基础概念是否扎实，是否知道”选错了地域/可用区会有什么后果”
【参考回答】地域是物理上的数据中心所在地，比如华北2（北京）、华东1（杭州）、华东2（上海）；可用区是同一地域内电力和网络互相独立的机房，内网互通，延迟大概 1-2 毫秒。我一般这么选：第一，按业务用户所在位置就近选地域，离得近延迟低；第二，高可用要求高的，在同一个地域内选两个可用区做跨可用区部署，比如 RDS 主备跨可用区、应用也双可用区部署，这样单机房故障业务不挂；第三，备案要求，域名解析到国内服务器必须备案，地域选择也受这个影响。
【追问】同一地域不同可用区内网通吗？答：通的，走阿里云内网，延迟低还免流量费，但跨地域内网不通，要打通只能走云企业网 CEN 或公网。
【追问】两个可用区都挂了怎么办？答：那就超出单地域能力了，需要跨地域容灾，比如 RDS 跨地域备份、OSS 跨区域复制，成本高，一般只对核心系统做。
【岗位标注】通用 / 运维 / 技术支持

Q2. 什么是 VPC、交换机（vSwitch）和安全组？它们是什么关系？

【考察点】云网络最基本的三个概念，面试官默认你天天在用
【参考回答】VPC 是你在云上划出来的私有网络，自己定网段，比如 192.168.0.0/16；交换机是 VPC 下按可用区划分的子网，比如 192.168.1.0/24 在可用区 A，192.168.2.0/24 在可用区 B，ECS 必须挂到某个交换机上才有内网 IP；安全组是 ECS 层面的虚拟防火墙，白名单机制，默认拒绝一切，只有规则里显式放行的流量才进得来。关系一句话：VPC 划网络、交换机定可用区、安全组做 ECS 的流量过滤。我们 CMDB 项目就是一套 VPC 里划了应用、数据库、管理三个子网，数据库子网不放公网，只允许应用子网访问。
【追问】交换机里的 ECS 没绑公网 IP，能访问外网吗？答：不能直接访问，要走 NAT 网关或绑定 EIP。
【追问】安全组规则写”放行 0.0.0.0/0 的 22 端口”有什么问题？答：等于全网都能 SSH 你的机器，端口爆破风险极高，生产环境应该限定来源 IP 或走堡垒机。
【岗位标注】通用 / 运维 / 技术支持

Q3. ECS 有哪几种计费方式？包年包月和按量付费怎么选、怎么切换？

【考察点】是否真用过、有没有成本意识
【参考回答】主要有三种：包年包月、按量付费、抢占式实例。包年包月提前预付，单价低，适合稳定长期跑的机器，缺点是变配和释放不灵活，到期不续费会被停机甚至释放；按量付费按秒计费、随时释放，适合测试环境和流量波动的场景，但单价贵；抢占式实例是按量的 1-3 折，适合无状态、能容忍被回收的任务。我的做法是：核心业务和数据库用包年包月，测试机用按量，离线批处理用抢占式。按量转包年包月在控制台点”转包年包月”就行，立即生效；包年包月不能直接转按量，但可以在续费时手动改成按量（前提是不欠费、配置满足条件）。
【追问】包年包月实例到期忘续费了会怎样？答：到期后停机，数据保留，15 天内续费还能恢复；超过 15 天资源释放、数据彻底清除，所以生产实例一定开”自动续费”。
【追问】按量付费实例停机（不释放）还收费吗？答：停机后不再收实例费用，但云盘、EIP（如果绑定了）这些仍然收费；而且按量实例停机后公网 IP 可能会被回收。
【岗位标注】通用 / 运维 / 技术支持 / DevOps

Q4. 什么是 ESSD 云盘？ESSD 和普通云盘有什么区别？快照是干什么的？

【考察点】存储选型细节，ESSD 的 PL 等级、快照的增量机制都是高频追问
【参考回答】ESSD 是阿里云的增强型 SSD 云盘，按性能分 PL0/PL1/PL2/PL3 四个等级，PL1 单盘最多 5 万 IOPS、PL3 可以到 100 万，适合数据库这类高 IO 业务。比它低一档的是高效云盘和普通云盘，靠机械盘或者性能上限低，只适合低 IO 的场景。快照是对云盘的备份，本质是增量快照——第一次全量，之后只记录变化的数据块，所以便宜又快；可以手动打，也可以配自动快照策略（比如每天凌晨打一次、保留 7 天）。RDS 的备份、ECS 数据的回滚都靠快照，出事了能一键回滚。
【追问】ESSD 云盘能扩容吗？答：可以，控制台直接扩容，但扩容后文件系统要自己 extend 分区才能用上。
【追问】快照和镜像有什么区别？答：快照是单个云盘的数据备份，镜像是一台 ECS 的完整模板（系统盘+配置），用镜像能批量创建同配置的机器。
【岗位标注】通用 / 运维 / 技术支持

Q5. 系统镜像是什么？自定义镜像怎么做、有什么用？

【考察点】是否用镜像做过批量交付或环境标准化
【参考回答】系统镜像就是 ECS 的”出厂模板”，包含操作系统和预装软件，分公共镜像（阿里云官方和第三方，比如 Alibaba Cloud Linux、CentOS、Ubuntu）、自定义镜像、共享镜像。我们 CMDB 项目做过自定义镜像：先在一台 ECS 上装好 JDK、Agent、初始化脚本，打快照制作成自定义镜像，之后弹性伸缩扩容、新开机器直接拿这个镜像起，五分钟内就能交付一台配置一致的新节点，避免每台都手工装环境。自定义镜像在 ECS 控制台”实例-更多-创建自定义镜像”就能做，做的时候最好先关机保证一致性。
【追问】自定义镜像能跨地域用吗？答：默认不能，要”复制镜像”到目标地域。
【追问】镜像里的 Agent 带了机器 IP 等个性化配置怎么办？答：用 cloud-init 或初始化脚本在首次启动时生成，不要写死在镜像里。
【岗位标注】运维 / DevOps / 技术支持

Q6. 弹性伸缩（ESS）是什么？伸缩组、伸缩规则、冷却时间分别是什么？

【考察点】简历写了”熟悉弹性伸缩”，这是必考题，答不出细节就是翻车点
【参考回答】弹性伸缩 ESS 是让 ECS 实例数量跟着负载自动变化的服务。核心概念三个：伸缩组，定义”在哪个地域哪个 VPC 下、最小几台最大几台、期望几台”，并关联 SLB 和 RDS 白名单；伸缩规则，告诉它什么时候扩缩，有定时规则（比如每天 9 点扩 2 台、18 点缩回去）和报警规则（比如 CPU 超过 80% 持续 5 分钟就加 1 台）；冷却时间，默认 300 秒，伸缩活动结束后这段时间内不响应新的伸缩请求，防止刚扩完又触发扩、抖动。新加的实例用什么配置，由伸缩配置/启动模板决定。我们 CMDB 服务就是按业务高峰配的报警伸缩。
【追问】报警规则里的”持续 5 分钟”为什么重要？答：避免瞬时尖峰误触发，比如一次 GC 或一次爬虫请求就把 CPU 打满 1 分钟，不该扩。
【追问】缩容时哪台实例先被移出？答：默认移出最老的、或选择”移出最早创建的实例”，也可以自定义策略；被移出的实例会先从 SLB 摘除再释放。
【岗位标注】运维 / DevOps / 技术支持

Q7. SLB 和 ALB 有什么区别？什么时候用哪个？

【考察点】负载均衡选型，很多人混着说
【参考回答】SLB 是负载均衡的统称，阿里云现在分三种：传统型 CLB（就是老 SLB）、应用型 ALB、网络型 NLB。简单说：四层场景（TCP/UDP、海量连接）用 CLB 或 NLB，七层场景（HTTP/HTTPS、按路径/域名转发）用 ALB。ALB 是阿里云现在主推的七层负载均衡，支持 HTTP/HTTPS/QUIC、gRPC，能做基于请求内容的转发、灰度发布、与 WAF 联动，性能比老 SLB 高。我的原则：新项目、对外 HTTP 服务优先 ALB；纯 TCP 长连接服务用 NLB/CLB。CMDB 项目的对外网关就是走 ALB 转发到 ACK 里的服务。
【追问】SLB 后面的 ECS 有健康检查吗？答：有，默认 TCP/HTTP 探活，后端实例挂了会自动摘除，恢复了自动加回来，这对弹性伸缩联动很关键。
【追问】客户端拿到的 IP 是真实用户 IP 吗？答：七层默认 X-Forwarded-For 里带真实 IP，需要后端服务读取它，否则日志里全是负载均衡的 IP。
【岗位标注】运维 / DevOps / 技术支持

Q8. EIP 和公网 IP 有什么区别？什么时候用 EIP？

【考察点】网络基础细节，经常被混淆
【参考回答】公网 IP 是创建 ECS 时随实例分配的，跟着实例走，实例释放 IP 就没了，而且按量付费实例停机后公网 IP 可能被回收；EIP 是独立的弹性公网 IP 资源，可以绑到 ECS、NAT 网关、CLB 上，随时解绑换绑到另一台机器，IP 本身不丢。所以对外提供固定 IP 的服务、或者要频繁迁移的机器，用 EIP；无所谓 IP 变化的临时机器，直接用系统分配的公网 IP 就行。EIP 计费有按流量和按固定带宽两种。
【追问】EIP 绑到 ECS 上，ECS 内网流量会经过它吗？答：不会，内网流量走交换机，只有出公网的流量才走 EIP。
【追问】一台 ECS 能绑多个 EIP 吗？答：默认不行，要提工单开多 EIP 特性。
【岗位标注】通用 / 运维 / 技术支持

Q9. 云数据库 RDS 是什么？它和自己在 ECS 上装 MySQL 有什么区别？

【考察点】为什么用云数据库、高可用的基本认知
【追问】RDS 能自己 SSH 登录上去吗？答：不能，RDS 只开放数据库端口，管理面是平台控制的，这也是它安全的点。
【追问】RDS 的 CPU 和内存规格能改吗？答：可以，控制台变配，支持升降配，一般几分钟内完成，建议低峰期操作。
【岗位标注】通用 / 运维 / 技术支持

Q10. OSS 是什么？Bucket、Object、生命周期分别是什么？

【考察点】对象存储基本概念，简历写了”静态资源托管至 OSS”必问
【参考回答】OSS 是阿里云的对象存储，存”文件即对象”（Object），对象放在桶（Bucket）里，Bucket 全局唯一命名、归属一个地域。我们项目把前端静态资源、上传的文件都放 OSS，通过 CDN 加速分发，ECU 就省了，而且 OSS 按量计费、容量无限。生命周期是自动管理对象存储状态的规则：比如”前缀为 logs/ 的文件，30 天后转低频访问，180 天后转归档，365 天后删除”，我用来做日志归档和清理，能省不少钱。Bucket 读写权限分私有、公共读、公共读写，生产上默认私有，通过签名 URL 或 CDN 鉴权对外提供访问。
【追问】公共读的 Bucket 有什么风险？答：任何知道 URL 的人都能下载，可能被刷流量产生高额账单，所以静态资源一般用私有+CDN 鉴权，而不是公共读。
【追问】OSS 里的文件能直接覆盖更新吗？答：同名上传即覆盖，但强烈建议开版本控制，误覆盖还能找回历史版本。
【岗位标注】通用 / 运维 / DevOps / 技术支持

Q11. 云监控（CloudMonitor）能监控什么？告警是怎么配置的？

【考察点】简历写了”熟悉云监控”，必须能说出指标、阈值、通知链路
【参考回答】云监控分两块：监控指标和告警。指标层面，ECS 的 CPU、内存、磁盘 IO、网络流量，RDS 的连接数、QPS、磁盘空间，SLB、OSS 都有现成指标，也支持自定义监控上报自己的业务指标。告警配置流程是：创建报警规则（选产品、选实例或实例组、选指标、设阈值和持续周期，比如 CPU > 85% 持续 5 分钟），设置报警联系人组（电话、短信、邮件、钉钉/企微 Webhook），触发后按通知渠道发出去，恢复后还能发”恢复通知”。我们项目里 ECS 磁盘、RDS 空间、应用进程这些都有告警，钉钉群收告警，出了问题第一时间知道。
【追问】只监控”CPU 瞬间 90%”有意义吗？答：没意义，会疯狂误报，所以要加”持续 N 个周期”，过滤瞬时尖峰。
【追问】告警通知里短信和电话各适合什么场景？答：一般告警发钉钉/邮件，P1 级别的才配电话，不然半夜每一条都打电话，值班的人会疯掉。
【岗位标注】通用 / 运维 / 技术支持

Q12. 什么是 ACK？ACK 托管版集群和自建 K8s 有什么区别？

【考察点】简历写了”通过 ACK 实现微服务容器化编排”，容器平台理解
【参考回答】ACK 是阿里云的容器服务 Kubernetes 版，分托管版和 Pro 版。托管版最大的特点：Master 节点（控制面）由阿里云托管，etcd、API Server、调度器这些不用自己运维，你只管节点池里的工作节点，版本升级也是平台推；自建 K8s 的话，Master 高可用、etcd 备份、证书轮换、组件升级全得自己搞，踩坑成本很高。我们 CMDB 项目用的是托管版 ACK：创建集群时指定节点池（几个节点、什么规格、什么镜像），微服务以 Deployment 方式部署，通过 Service/Ingress 对外暴露，节点不够了节点池自动扩缩容。生产建议托管版起步，除非有强定制需求才考虑自建或 ACK 专有版。
【追问】ACK 托管版 Master 收费吗？答：基础托管版的控制面不单独收费，你只为节点（ECS）付费。
【追问】节点池是什么？答：一组同规格、同镜像、同登录方式的节点集合，可以理解为”一类工作节点”，支持独立扩缩容，还可以混部按量和抢占式实例。
【岗位标注】运维 / DevOps

三、进阶篇（12 题）

Q13. 详细讲讲你 CMDB 项目里这套阿里云架构：ECS、ACK、RDS、DTS、OSS、云监控、ARMS 各自承担什么角色？为什么这么设计？

【考察点】项目真实性和架构设计能力，面试官会拿这段话逐词追问
【参考回答】我们 CMDB 服务平台的整体架构是：应用层用 ECS 承载，核心是跑在 ACK 托管集群上的微服务，通过容器化编排实现服务的快速部署和弹性；数据层用 RDS MySQL 做主库存储，主备高可用，历史存量数据通过 DTS 从旧库全量+增量同步过来，业务不停机切换；静态资源和上传文件放 OSS，配合 CDN 做加速；可观测这块，云监控盯基础设施指标——ECS 的 CPU/内存/磁盘、RDS 的 QPS/空间、集群节点状态，ARMS 盯应用层——每个接口的调用链、耗时、异常，两边结合，哪层出问题都能定位。这么设计的原因：容器化解决交付和扩容效率，RDS 解决数据高可用和运维成本，OSS 把静态流量从应用服务器上卸掉，监控分层是为了快速定位是”机器问题”还是”代码问题”。
【追问】DTS 同步期间业务怎么访问数据？答：DTS 是结构+全量+增量三步：先迁移表结构，再灌全量数据，然后持续同步增量 binlog；业务可以先切读流量（读新库），观察增量追平、校验一致后再切写流量，全程不用停服。
【追问】微服务在 ACK 里，RDS 的连接数够用吗？答：这是真实踩过的点——Pod 多了连接数飙升，解决方式是连接池（如 HikariCP 限制单 Pod 连接数）+ RDS 最大连接数调大，必要时加只读实例分流。
【追问】ARMS 的链路追踪怎么接入的？答：应用加 ARMS 探针（Java 是 -javaagent 启动参数），不改业务代码，控制台就能看到 traceId 串联的调用链路。
【岗位标注】运维 / DevOps / 技术支持 / AI 运维

Q14. RDS 的高可用是怎么实现的？主备切换的过程是什么样的？

【考察点】”RDS 高可用存储”这句简历原文，原理必须说清
【追问】切换期间有写入丢失吗？答：阿里云承诺数据 0 丢失（有损切换）或 5 秒内丢失（无损切换要开”无损秒级切换”特性，默认是近实时），这也是为什么生产要选高可用版而不是基础版。
【追问】怎么知道发生过切换？答：控制台事件里有”主备切换”记录，监控上也能看到连接断开和 CPU 突变；另外可以开 RDS 的秒级监控，排查时对照时间点。
【岗位标注】运维 / 技术支持

Q15. 只读实例解决什么问题？主从延迟怎么处理？

【考察点】读多写少的业务扩容思路，延迟问题是真实生产痛点
【参考回答】只读实例解决”读压力大”：RDS 主实例负责写，只读实例同步数据后承担读流量，配合读写分离（应用层自己分，或 RDS 代理自动分），把读从主库上卸下来。它本质还是 binlog 异步复制，所以一定有延迟，延迟大了就会出现”刚写完读不到”的脏读问题。我的处理：一是延迟敏感的查询强制走主库（比如刚提交的订单立刻查状态）；二是监控主从延迟指标（RDS 控制台有”只读实例延迟”），超过阈值就告警；三是只读实例也做索引和慢查询优化，别让慢 SQL 拖慢同步；四是有时候干脆用 Redis 缓存扛读，把读放大问题从数据库层面解决。
【追问】只读实例挂了会影响主库吗？答：不影响，读流量会暂时失败或回落到主库，所以应用层要有降级。
【追问】读写分离一般怎么实现？答：简单方案是应用层配两个数据源，复杂业务用 RDS 数据库代理（自动读写分离、事务内强制走主库）。
【岗位标注】运维 / DevOps / 技术支持

Q16. RDS 的备份和恢复是怎么做的？binlog 有什么用？怎么恢复到任意时间点？

【考察点】数据安全核心，DBA 基本功
【参考回答】RDS 的备份分两类：数据备份（全量快照）和日志备份（binlog）。默认每天自动做一次全量备份（备份时间窗口可以自己设，建议低峰期），binlog 持续产生。为什么要 binlog？因为恢复分两步：先恢复到最近一次全量备份，再应用该备份之后的 binlog 把数据”追”到指定时间点——这就是”按时间点恢复（PITR）”，可以恢复到过去任意一秒，比如误删表之后，恢复到删之前的时间点，把表捞回来。我配的是：每天 2 点自动全量备份、保留 7 天，binlog 保留 7 天，配合 RDS 的”克隆实例”功能做恢复演练。恢复时是生成一个新实例，确认数据没问题再切换，而不是原地覆盖，安全得多。
【追问】为什么恢复出来的是新实例而不是原地恢复？答：防止恢复失败把现网数据弄坏，先在新实例验证，再考虑切换，这是最佳实践。
【追问】binlog 会占很多磁盘吗？答：会，所以控制 binlog 保留时长、关注磁盘空间，空间满了会影响实例（MySQL 默认 binlog 会按保留策略清理）。
【岗位标注】运维 / 技术支持

Q17. DTS 是怎么做数据迁移/同步的？全量+增量具体怎么工作？怎么保证一致性？

【考察点】简历写了”DTS 完成历史数据同步”，细节必须能展开
【参考回答】DTS 是数据传输服务，核心能力是迁移和同步。历史数据同步的典型链路是”全量迁移 + 增量同步”：第一步结构迁移（建表），第二步全量数据灌入（大批量导，期间源库还在写），第三步增量同步——DTS 订阅源库的 binlog 持续把新变更同步到目标库，直到延迟追平。迁移完成后做数据校验（DTS 有校验任务，全量校验比对行数和数据），校验通过后业务切换，全程业务不停机。配置上我注意几点：源库账号要有 binlog 读取权限、目标库要开大一点（迁移时写入压力大）、大表建议分批或者 DTS 限速，避免把源库打满。同步链路本身高可用，DTS 有断点续传，网络闪断能自动恢复。
【追问】异构数据库（比如 Oracle 迁 MySQL）DTS 支持吗？答：支持，DTS 可以做异构迁移，但类型映射要人工确认，比如 Oracle 的 NUMBER 到 MySQL 的 DECIMAL，还有函数、存储过程这类可能要改造。
【追问】DTS 和”mysqldump 导出再导入”比优势在哪？答：mysqldump 要么锁表要么丢增量数据，DTS 是逻辑复制、不停服、有断点续传和校验，生产切换基本都用 DTS。
【岗位标注】运维 / DevOps / 技术支持

Q18. 你弹性伸缩的伸缩规则具体是怎么配的？定时伸缩和报警伸缩各适合什么场景？

【考察点】”熟悉弹性伸缩”的照妖镜问题，能说出具体参数才算用过
【参考回答】我两种都配过。报警伸缩：以 CMDB 服务为例，伸缩组最小 2 台、最大 6 台，报警规则是”CPU 使用率 > 80% 持续 5 分钟 → 增加 1 台，最多加到 6”；”CPU < 20% 持续 10 分钟 → 减少 1 台”；冷却时间 300 秒，避免抖动。定时伸缩：业务有明确波峰的场景，比如每天早上 9-11 点是使用高峰，就配定时任务”每天 8:50 扩到 4 台、12:00 缩回 2 台”，比等报警再扩容快——因为实例创建要几分钟，报警触发是滞后反应。我的经验：能预测的波峰用定时（提前扩容），突发流量用报警（事后兜底），两者可以叠加。
【追问】报警扩容慢怎么办？答：扩容有启动时间，所以定时提前扩；或者用”伸缩组+启动模板+自定义镜像”，把镜像和初始化做好，把启动时间压缩到最短。
【追问】缩容会把正在处理请求的实例干掉吗？答：不会直接干，实例先被 SLB 摘除（不再接新请求），等存量请求处理完（或者优雅退出时间到了）再释放。
【岗位标注】运维 / DevOps / 技术支持

Q19. 弹性伸缩和 SLB 是怎么联动的？新加的 ECS 怎么自动接入负载均衡？

【考察点】资源联动理解，考”扩容出来的机器怎么接流量”
【参考回答】在创建伸缩组时把 SLB/ALB 实例关联进去（关联后端服务器组），这样每次扩容出来的新 ECS 会被自动加入负载均衡的后端服务器组，开始接收流量；缩容时先自动从负载均衡摘除，再释放实例。前提是后端服务器组做了健康检查——新实例要在健康检查超时内（比如 3 次探测失败算不健康）通过探活，否则不会开始接流量。这里有个常见坑：新实例的端口必须和健康检查配置一致，比如健康检查探 8080，但你服务只监听 80，新实例就一直不健康、永远不加进来，业务看着像”扩容了但没生效”。
【追问】健康检查的频率和超时一般怎么设？答：阿里云默认间隔 2-5 秒、失败 3 次摘除，这个值我一般不乱改，改太小会把慢启动的服务误判挂掉。
【追问】RDS 那边新实例的 IP 需要白名单吗？答：需要，伸缩组可以配置”RDS 白名单自动同步”，扩容出的内网 IP 自动加进 RDS 白名单，不然新实例连不上数据库，这坑我踩过。
【岗位标注】运维 / DevOps

Q20. OSS 的权限体系讲一下：RAM、Bucket Policy、STS 有什么区别？私有 Bucket 怎么对外提供访问？

【考察点】云上权限模型，安全面试的必考点
【参考回答】三个层次：RAM 是账号体系——给员工/程序建子账号和角色，用 Policy 定义”谁能对什么资源做什么操作”；Bucket Policy 是挂在 Bucket 上的访问策略，可以给其他账号或者匿名用户授权，跨账号协作用它；STS 是临时凭证——通过 AssumeRole 拿一个有时效（默认 900 秒到 12 小时）的临时 AK/SK，给不可信端（比如前端直接上传文件的场景）用，泄漏了也很快过期。私有 Bucket 对外访问的方案：一是签名 URL（OSS SDK 生成带过期时间的 URL），适合临时分享；二是静态资源走 CDN，开启 CDN 回源鉴权（CDN 回源时带签名），用户访问 CDN 域名就行，源站 Bucket 保持私有，这是我们 CMDB 项目的做法，前端资源全走 CDN 域名。
【追问】子账号的 AK 泄漏了怎么办？答：立即在 RAM 里禁用或删除该 AK，然后排查审计日志（ActionTrail）看用这个 AK 做过什么，所以平时要最小权限+定期轮换。
【追问】为什么前端直传 OSS 要用 STS？答：主账号 AK 绝不能给前端，STS 临时凭证有时效、权限可控，最坏情况泄漏影响也有限。
【岗位标注】运维 / DevOps / AI 运维

Q21. OSS 的存储类型有哪些？生命周期规则怎么配？怎么省钱？

【考察点】存储成本意识，冷热数据分层
【参考回答】OSS 存储类型按访问频率分四档：标准（Standard）——热数据，实时访问；低频访问（IA）——一月访问几次的，价格便宜但读要收数据取回费，且有最少存储 30 天；归档（Archive）——半年才碰一次的，更便宜，但要先解冻（restore）才能读，解冻要等 1 分钟左右（可加急）；冷归档（Cold Archive）——一年不碰的，最便宜，解冻要等更久。我的做法：日志文件用生命周期规则自动转储——“logs/ 前缀下 30 天没动的转低频、180 天转归档、365 天删除”，代码不用改，钱自动省。核心原则：先算”这个数据多大概率会被读、能容忍多长的取回延迟”，再定档位，别一刀切全用标准。
【追问】低频/归档提前删会被收费吗？答：会，低于最少存储时长删除要收”提前删除费”，所以规则要按真实生命周期设，别拍脑袋。
【追问】CDN 缓存和 OSS 生命周期冲突吗？答：不冲突，CDN 是访问层缓存，OSS 是源数据管理，源数据转归档后 CDN 缓存还能继续服务，直到过期回源才发现要解冻。
【岗位标注】运维 / DevOps / 技术支持

Q22. 生产环境的告警规则你是怎么设计的？怎么避免告警风暴？

【考察点】监控体系的实战能力，”告警风暴”是面试官最爱追问的点
【参考回答】我的告警设计有几个原则：第一，指标要带持续周期，比如 CPU > 85% 持续 5 分钟才告警，过滤瞬时抖动；第二，分级别分通道——P0（服务不可用、数据盘满、RDS 主备切换）走电话+短信+钉钉，P1 走短信+钉钉，P2（CPU 高、磁盘使用率 80%）只走钉钉；第三，业务高峰期和非高峰期阈值分开（云监控支持不同时段的规则，或干脆定时切换）；第四，同一个根因的告警做合并——比如一台 ECS 挂了，它下面的进程、端口、负载均衡健康检查会同时报警，按实例分组合并成一条”XX 实例失联”，而不是 20 条。告警风暴的处理顺序：先找到根因（通常是某台机器或某个发布导致的），在根因实例上做静默（云监控支持告警静默/暂停），处理完再恢复，而不是一条条去点确认。
【追问】告警重复通知怎么办？答：设置通知间隔（比如 5 分钟合并一次）和恢复通知，配合告警静默，同一问题别反复轰炸。
【追问】告警到了发现是误报，怎么从机制上防？答：阈值定太高漏报、定太低误报，靠”持续周期+业务时段分阈值”平衡，另外用 ARMS 看应用层指标交叉验证，别只看单指标。
【岗位标注】运维 / DevOps / 技术支持

Q23. ARMS 和云监控有什么区别？怎么用 ARMS 定位一个慢接口？

【考察点】简历写了 ARMS，必须讲清”应用层监控”和”基础设施监控”的分工
【参考回答】云监控管的是”资源层”：CPU、内存、磁盘、网络、连接数，它知道”机器忙不忙”，但不知道”用户请求卡在哪”；ARMS 是应用性能监控（APM），管的是”应用层”：每个接口的调用链（Trace）、耗时分布、SQL 慢查询、JVM 指标、异常堆栈。定位慢接口的流程：ARMS 的”接口监控”里按平均耗时排序找到慢接口 → 点进去看调用链瀑布图，能看出时间花在哪个环节——是应用自身代码、下游 HTTP 调用、还是数据库 SQL → 如果卡在 SQL，直接看 ARMS 里关联的数据库调用耗时和慢 SQL 文本，去 RDS 慢日志里核对执行计划加索引。我们 CMDB 项目排查过一次”列表接口越来越慢”，就是通过 ARMS 发现是某个查询没走索引，全表扫描，加了联合索引后 P95 耗时从 800ms 降到 80ms。
【追问】ARMS 接入成本高吗？答：不高，Java 应用加一行 javaagent 启动参数，业务代码零侵入。
【追问】ARMS 和 SkyWalking 这类开源 APM 比呢？答：ARMS 免运维、跟阿里云产品打通好（能直接关联 RDS 慢日志），开源的要自己搭 Collector 和存储；但 ARMS 有采样率，高 QPS 下数据不是全量。
【岗位标注】运维 / DevOps / AI 运维

Q24. 安全组、密钥对、RAM 的最佳实践各讲一条，你实际是怎么做的？

【考察点】云安全基本功，安全组和密钥对是简历明写的
【参考回答】安全组：最小开放原则——只开放业务必要的端口，SSH 22 端口只允许公司出口 IP 或跳板机访问，绝不写 0.0.0.0/0；按环境分安全组（生产、测试隔离），实例变更安全组前先加后删，防止把自己锁在外面。密钥对：新机器一律用密钥对登录而不是密码，密钥对可以禁用密码登录（防止暴力破解），私钥权限设为 600 且绝不出库；密钥对绑定后不能解绑，要换就重新绑定新密钥对。RAM：绝不用主账号 AK 跑自动化，给 CI/CD、Terraform、监控脚本分别建最小权限的子账号/角色，比如 Terraform 只给它要管理的那几个产品的权限，生产环境操作权限单独收敛。
【追问】安全组规则太多了怎么管理？答：定期用”安全组规则审计”（阿里云有安全组规则分析工具）找宽松规则，把 0.0.0.0/0 的规则逐条确认，另外规则有数量上限，太多了要拆分安全组。
【追问】密钥对丢了怎么办？答：密钥对私钥丢了没法找回，只能通过控制台重置实例密码（如果密码登录没禁用），或者用快照克隆实例挂新密钥——所以私钥一定要备份到密码管理器。
【岗位标注】运维 / DevOps / 技术支持

四、生产实战·刁钻篇（10 题）

Q25. 生产上一台 ECS 突然 SSH 连不上了，你从接到告警开始，完整的排查顺序是什么？

【考察点】故障排查 SOP 是否成体系，会不会跳步骤乱试
【参考回答】我会按”从云上到云下、从控制台到系统内”的顺序来：第一步，控制台看实例状态——是不是运行中（如果停机/重启中，先等或先恢复）；第二步，用阿里云控制台的 VNC/远程连接直接登录（不走 SSH、不依赖网络和安全组，先确认系统还活着）；第三步，VNC 能进就查系统资源——top 看 CPU/内存、df -h 看磁盘是否 100%、free -m、uptime 看负载，常见原因是 OOM 或磁盘满或 load 飙高；第四步，VNC 都进不去，回控制台查安全组——是不是最近改过规则把 22 端口挡住了、来源 IP 对不对；第五步，看云监控的”网络流入流出”和系统日志，判断是不是带宽打满或被 DDoS；最后还有一招：用快照在另一台机器上挂载数据盘，把数据先保住再慢慢查系统问题。我的原则是：先恢复、再定位、后复盘，必要时直接重启或从镜像重开一台，别在故障机上死磕。
【追问】安全组和系统防火墙（iptables/firewalld）都有规则，先查哪个？答：先查安全组——它在网络入口，规则错了流量根本进不到系统；再看系统内防火墙，两个都要放行才行。
【追问】怎么防止下次再连不上？答：常态手段：密钥登录+堡垒机、禁 root 密码登录、fail2ban 防爆破、给 22 端口限定来源 IP、监控 SSH 登录失败次数告警。
【岗位标注】运维 / 技术支持 / DevOps

Q26. 用户反馈”RDS 突然变慢了”，之前都好好的，你怎么排查？

【考察点】数据库故障排查链路，能不能从现象倒推根因
【参考回答】我会同时看几个面，用排除法收敛：第一步，看 RDS 监控——CPU、内存、连接数、QPS 有没有突变，连接数满（比如 MySQL 默认 100-3000 个）会导致新连接排队，现象就是”变慢”；第二步，看慢查询日志，找出新增的慢 SQL，重点看是不是最近有数据量增长导致索引失效、或者代码发布了新查询；第三步，看锁——show processlist（RDS 有 SQL 洞察/审计功能）看有没有大量 Waiting for lock，常见是某个长事务没提交把行锁或表锁占住了，后面全部排队；第四步，看磁盘和 IO——磁盘空间满、IOPS 打满（ESSD 性能上限）也会整体变慢。定位后对症：慢 SQL 加索引或改写、长事务 kill 掉或从代码侧修、连接数调大或加只读实例分流、IO 瓶颈就升 ESSD 等级或规格。
【追问】”之前都好好的”这句话可信吗？答：不可信，要自己看趋势，往往是数据量增长到临界点、或者慢 SQL 的量变引起质变，所以要拉 7 天监控对比而不是只看当下。
【追问】RDS 的 SQL 洞察和慢查询日志有什么区别？答：慢查询日志只记超过 long_query_time 的 SQL，SQL 洞察是全量 SQL 的采集分析（更贵），排查时先看免费的慢日志，不够再开洞察。
【岗位标注】运维 / 技术支持

Q27. 凌晨 3 点你被电话叫醒，说”几百条告警”同时来了，你怎么处理？

【考察点】告警风暴处理 + 优先级判断，考临场决策
【参考回答】我的第一反应不是逐条看告警，而是”找共性”：几百条告警同时来，大概率是单一根因——要么某台核心机器挂了（它下面的服务、端口、健康检查全报），要么某个发布刚生效（全链路报错），要么某个依赖挂了（比如数据库或公网出口）。做法：先在告警平台按”实例/应用”分组聚合，看哪个对象占告警大头；然后去阿里云控制台确认这台机器状态，同时看监控曲线是不是大面积异常；确认是单点故障后，先在告警系统对受影响范围做静默（避免继续轰炸），再处理根因——能重启的先重启恢复，需要发布的回滚发布。处理完取消静默、发恢复通知，第二天复盘：这个单点为什么没有单独的高级别告警？为什么健康检查没提前摘除？把这类问题写进故障复盘。
【追问】你怎么快速区分”告警风暴”和”真的全挂了”？答：看告警的根因一致性——全是同一类指标（比如全是连接超时）且集中在同一批实例上，就是连锁反应；如果不同指标、不同实例各自独立异常，那才是大面积故障。
【追问】告警风暴本身说明什么？答：说明告警设计有问题——缺少合并、缺少依赖关系建模、阈值不合理，这类问题要在事后用”告警治理”专项解决，而不是靠人肉扛。
【岗位标注】运维 / 技术支持 / DevOps

Q28. 监控发现某台 ECS 的出网带宽被打满了，怀疑被 DDoS 或恶意刷流量，怎么办？

【考察点】流量型攻击应对 + 阿里云防护产品的使用
【参考回答】分几步：第一步，确认——看云监控的带宽曲线，如果持续接近带宽峰值且来源分散，高度怀疑 DDoS；同时看连接数，如果大量新连接涌向某个端口，配合安全组先临时把该端口封掉（限来源 IP 或直接关端口）止血。第二步，看流量构成——用 VPC 流日志或 ECS 上的 tcpdump 抓包看源 IP 分布，如果是固定几个 IP 是恶意调用，直接安全组封掉；如果源 IP 海量且随机，是 DDoS。第三步，针对性防护——阿里云有 DDoS 基础防护（默认 5Gbps 免费，防 Syn Flood 这类）和 DDoS 高防（付费，IP 换成高防 IP，流量先过高防清洗）。第四步，如果是业务被人恶意刷（比如接口被脚本打），从应用层解决：ALB/WAF 限流、频控、鉴权，别把成本花在带宽上。事后看费用，流量攻击是会烧钱的，这也是为什么生产要对带宽和流量费用做告警。
【追问】DDoS 基础防护免费额度是多少？答：默认 5Gbps 的防护能力，超过会被黑洞（暂停服务），所以大流量攻击要上高防。
【追问】被黑洞了怎么办？答：黑洞是阿里云强制保护措施，一般持续 1-2 小时，期间 IP 不可用；紧急处理是换 IP（EIP 可以重新分配），或直接上高防。
【岗位标注】运维 / 技术支持

Q29. 客户问：我的包年包月 ECS 到期忘续费了，数据还能找回吗？

【考察点】阿里云资源生命周期规则的准确掌握（技术支持岗高频场景题）
【参考回答】要看时间点，阿里云的规则是：包年包月实例到期后进入”已过期”状态，实例停机但数据保留，15 天内续费可以恢复并正常开机；超过 15 天未续费，实例会被释放，云盘数据彻底清除、无法找回。所以我的答复和动作：第一时间确认到期时间——如果还在 15 天内，引导客户立即续费恢复，提醒续费后检查服务和数据完整性；如果已超过 15 天被释放，先查有没有最后的手段——有没有保留快照、有没有跨地域备份（这俩都能用来重建数据），如果都没有，如实告知数据无法恢复，并说明这是包年包月产品的标准规则。避免此类问题的建议：设置自动续费、开启到期提醒（阿里云会短信/邮件提醒，也可以配费用告警）、核心数据另外用快照/备份工具留一份。
【追问】到期后实例是”立刻停”还是”有缓冲”？答：到期当天进入过期状态，实例停机，有 15 天缓冲期，缓冲期内续费即恢复。
【追问】那按量付费实例被释放能找回吗？答：按量实例释放后会进”回收站”（默认保留 1 天，可配 1-7 天），回收站里可以找回；但包年包月超期释放不在回收站范围。
【岗位标注】技术支持 / 运维

Q30. 同事误操作把一台按量付费的 ECS 释放了，里面有数据，怎么办？

【考察点】应急恢复能力 + 对”回收站/快照/镜像”机制的掌握
【参考回答】先别慌，按优先级处理：第一，立刻去”回收站”看——按量付费 ECS 释放后默认进回收站保留 1 天（可配置 1-7 天），回收站里实例还在就能直接恢复（重新开机）；第二，如果实例不在回收站了，看有没有云盘快照——只要有快照，用快照创建一块云盘，挂到一台临时 ECS 上把数据拷出来，或者直接用快照创建新实例；第三，都没有的话看有没有自定义镜像或 DTS 的同步链路（数据同步到别的库也能重建）。之后做防护：给生产 ECS 开”实例释放保护”（防止误释放）、自动快照策略必须开、对高危操作（释放实例、删除云盘）要求走工单双人确认。这也是为什么我一直强调：快照不是可选项，是救命的。
【追问】回收站保留多久？答：按量实例默认 1 天，可以在控制台调成最多 7 天，越重要的环境保留越久。
【追问】释放保护在哪开？答：ECS 实例的”更多-实例属性-释放保护”，开启后控制台和 OpenAPI 都无法直接释放，要先关掉保护，这是个很好的防呆开关。
【岗位标注】运维 / 技术支持

Q31. 弹性伸缩触发了扩容，但新实例要 5 分钟才就绪，业务高峰已经过去了，怎么办？

【考察点】对扩容链路延迟的理解 + 预案设计，反直觉点在于”报警扩容天然滞后”
【参考回答】这是弹性伸缩的经典痛点：报警是滞后的——等你看到 CPU 持续超阈值，流量已经上来了，再加上实例创建（镜像拉起、系统初始化、应用启动、健康检查通过）的几分钟，高峰可能真的错过了。解决思路是”把扩容前置”：第一，能预测的波峰用定时扩容，提前 10-15 分钟把实例加到位；第二，压缩启动时间——用打好环境的自定义镜像+启动脚本（避免现装软件），用弹性伸缩的”伸缩组预热/启动模板”把初始化脚本写好，把从触发到可用的时间压到 2 分钟以内；第三，用”预测式伸缩”（阿里云 ESS 的智能预测，基于历史曲线预测未来负载自动扩）或 ACK 的 HPA+节点池自动扩缩容（容器场景秒级弹 Pod，比弹 ECS 快）；第四，兜底——伸缩组最大实例数设得够，别让上限卡住扩容。事后我会看这次的触发记录，评估定时规则要不要调整。
【追问】Pod 扩容和 ECS 扩容哪个快？答：Pod 扩容秒级（只要节点有余量），ECS 节点扩容要分钟级（创建+初始化+调度），所以容器化场景优先 HPA 弹 Pod，节点不够才弹节点。
【追问】新实例启动要装依赖，怎么优化？答：依赖全部打进自定义镜像，启动只做配置下发（从配置中心拉），不要在启动脚本里现装包。
【岗位标注】运维 / DevOps

Q32. 说一个你在生产环境踩过的阿里云相关的坑，以及你怎么解决的？

【考察点】真实性和踩坑复盘能力，编造的回答经不起追问（面试官必追问细节和当时的监控数据）
【参考回答】说一个比较典型的：有次 CMDB 服务半夜扩容后，新实例一直不接流量，业务高峰期部分请求超时。排查过程：先看伸缩组——实例确实创建成功了，但负载均衡的后端服务器组里它一直是”不健康”状态；再看健康检查配置，发现健康检查探测的是 8080 端口，但新实例的容器服务监听在 80，健康检查永远失败，负载均衡就不给它发流量。根因是伸缩配置里的端口和应用实际端口不一致，加上启动模板没同步更新。解决：改健康检查端口为 80，更新伸缩配置，新实例秒级恢复健康。这个坑给我的教训：第一，伸缩配置、健康检查、实际服务端口三处必须一致，变更时一起改；第二，扩容后要做”业务验证”而不是只看实例起来了；第三，负载均衡健康检查本身也是告警，配合起来用。后来我加了”扩容后自动检查后端健康状态”的脚本和告警，再没出过这问题。
【追问】当时监控上有哪些指标能提前预警？答：负载均衡的”后端健康主机数”指标——如果提前监控”健康主机数 < 期望值”并告警，不用等用户报障就能发现。
【追问】这个坑跟”端口不一致”还有哪些类似案例？答：还有 RDS 白名单没开（新实例连不上库）、启动脚本里写死 IP、安全组没放行服务端口，本质都是”配置漂移”——模板和实际不一致，所以现在都用 IaC（Terraform）管配置。
【岗位标注】运维 / DevOps

Q33. 你说”熟悉阿里云平台”，那成本优化你具体做过什么？能拿出数字吗？

【考察点】费用优化是简历表述最容易被戳穿的点，必须准备真实抓手
【参考回答】我做过几类，都能讲出具体动作：第一，按量转包年包月——把长期稳定运行的机器（比如 CMDB 的核心 ECS）从按量转成包年包月，一年大约省 30%-40%（包年约 8.5 折、三年约 5 折），前提是确认机器要长期用；第二，闲置资源清理——每月过一遍账单：未挂载的云盘（云盘不挂实例也在收费）、闲置的 EIP（绑着不用按带宽收费）、没人用的快照和镜像，全部释放，这块最容易出”看不见的钱”；第三，带宽计费模式——固定带宽改成按流量，低流量时段多的服务立省；第四，存储分层——OSS 日志转低频/归档，RDS 用不到的旧备份缩短保留时间；第五，用预算管理——在费用中心设置月度预算和异常消费告警，钱花超了第一时间知道。数字层面我不会瞎报，一般讲”闲置清理和计费切换这类，月度能省 20% 上下，具体看资源构成”。
【追问】按量转包年后后悔了怎么办？答：包年包月支持退订（5 天内无理由全额退、之后按剩余价值退），但变更是有代价的，所以转之前先确认资源会长期使用。
【追问】怎么快速找到闲置资源？答：用费用中心的”资源分析”和实例列表筛选——比如按创建时间排序找 30 天没登录的机器，结合云监控看 CPU 长期个位数的实例，人工确认后释放。
【岗位标注】运维 / DevOps / 技术支持

Q34. 半夜告警：RDS 磁盘空间使用率 99%，马上要满，你怎么办？（只能现场处理）

【考察点】真实急症处理：顺序、止血、根治
【参考回答】按”先止血、后根治”来：第一步，确认——登录 RDS 控制台看磁盘空间构成（RDS 有空间分析：数据、日志、临时文件各占多少），这一步决定后面怎么动手。第二步，止血——如果 binlog 占大头（常见），确认 binlog 保留策略后手动清理或缩短保留时长（RDS 支持设置 binlog 保留天数，马上生效）；如果是慢 SQL 产生了大量临时表/排序文件，先杀掉那个会话；如果是大事务把 undo/临时文件撑起来，等事务结束或谨慎 kill。第三步，根治——查慢日志和 SQL 洞察，找到写放大最狠的 SQL（比如全表 UPDATE、无索引的 DELETE），优化或加索引；数据量真涨上来的，考虑归档历史数据到 OSS、清理过期日志表。第四步，容量规划——磁盘升配（RDS 支持在线扩容，一般分钟级），同时把磁盘使用率告警阈值从 80% 提到 70%，留出处理窗口，并复盘为什么没在 85% 时被发现处理。注意：磁盘满对 RDS 是致命级——会直接导致实例只读或异常，所以这类告警一定最高优先级。
【追问】磁盘空间分析显示”数据文件”占大头怎么办？答：说明数据真在涨，不能靠清日志解决，要做归档或分库分表规划，同时立刻扩容磁盘保证可用，别让实例挂掉。
【追问】binlog 能随便删吗？答：不能乱删，删了就失去时间点恢复能力，正确做法是调短保留天数（比如从 7 天降到 2 天），并确认备份策略正常，核心库保留时长要谨慎。
【岗位标注】运维 / 技术支持