第4章：性能调优核心指标与监控

面试官考察点：

• 是否理解指标的本质含义与相互制约关系
• 是否有实际使用 fio、iostat 等工具的经验
• 能否将指标与业务场景（如数据库、视频流）关联

回答框架：

1. 分别给出三个指标的定义
2. 指出三者之间的 trade-off（如高 IOPS 可能降低单次吞吐）
3. 举出常用测量命令（fio --rw=randrw --bs=4k 测 IOPS；--bs=1M 测吞吐）
4. 补充分布式环境下需关注网络延迟和集群聚合吞吐

简短示例回答：
“IOPS 是每秒 I/O 次数，延迟是单次耗时，吞吐量是单位时间数据量。三者在不同块大小下相互制约。测量时我用 fio 控制块大小、队列深度，随机小 IO 测 IOPS，顺序大 IO 测吞吐，同时用 iostat -x 看 await 和 %util 验证延迟状态。”

可能追问：“如果 IOPS 高但延迟也高，可能是什么原因？” “你怎么区分是磁盘瓶颈还是网络瓶颈？”

面试官考察点：

• 是否理解带宽是物理上限，吞吐量是实际有效速率
• 是否了解协议开销、丢包重传、硬件瓶颈等影响因素

回答框架：

1. 带宽：链路或总线的最大传输速率（理论值）
2. 吞吐量：实际有效传输的数据量（考虑协议层开销）
3. 举例：25GbE 理论 3.12GB/s，但 TCP/IP 头部、握手、丢包重传、NVMe over Fabrics 封装等导致吞吐量通常只有 60%~80%
4. 建议用 iperf3 或 netdata 实测验证

简短示例回答：
“带宽是网卡和链路标称的最大速率，吞吐量是应用层实际能获得的数据传输率。例如 25GbE 理论 3.12GB/s，但 iperf3 测下来通常 2.5~2.8GB/s，因为 TCP 头部、ACK、以及存储端 IO 深度不够都会损耗。”

可能追问：“如果使用 RDMA 会如何改善？” “怎么用 perf 工具定位吞吐下降的具体环节？”

面试官考察点：

• 是否具备实际搭建监控系统经验
• 是否了解 exporter、PromQL 查询等核心组件
• 能否从海量指标中提取关键性能信号

回答框架：

1. 架构：node_exporter 采集主机指标 + 存储组件 exporter（如 Ceph manager、Rook exporter）
2. 数据路径：exporter → Prometheus {scrape} → 存储 → Grafana 面板
3. 重点监控指标：磁盘 IOPS、延迟（如 ceph_osd_op_latency）、集群吞吐、网络带宽、对象存储请求速率
4. 告警规则：延迟 > 5ms 持续 1min 触发 warning，IOPS 突降检测等

简短示例回答：
“我部署 node_exporter 和 ceph_exporter，由 Prometheus 每 15s 采集。Grafana 上建了三个仪表盘：OSD 性能、集群吞吐、网络健康。自定义 PromQL 语句如 rate(ceph_osd_op_latency_sum[2m]) / rate(ceph_osd_op_latency_count[2m]) 计算平均延迟。”

可能追问：“Prometheus 的高可用方案你做吗？” “如何处理存储节点变更导致指标丢失？”