第2章 高频面试问题与回答框架
面试中，STAR（情境-任务-行动-结果） 是分布式存储故障治理岗位最标准的结构化表达模型。下面先掌握回答框架，再通过分类表与三个高频问答卡片巩固实战技巧。
常见问题分类
| 类别 | 典型问题 | 考察点 |
|---|---|---|
| 故障排查 | “某节点磁盘故障后，如何定位数据不一致？” | 诊断思路、工具链、数据校验机制 |
| 故障恢复 | “Raft 选举超时，如何处理？” | 一致性协议理解、手动干预边界 |
| 预防优化 | “如何设计自愈策略避免线上再出同类问题？” | 自动化能力、容量规划、混沌工程 |
| 跨团队协作 | “故障发生时如何协调 SRE 和开发团队？” | 沟通能力、On-Call 机制、故障分级 |
面试问答卡片
Q1：请描述一次你遇到的分布式存储数据不一致故障，你是如何解决的？
面试官考察点：是否具备系统性排查逻辑；是否理解副本一致性、Raft/Paxos 以及数据校验工具；能否量化故障影响。
回答框架：STAR
- S：集群有 5 个 Ceph OSD 节点，某个 OSD 因硬盘坏道导致部分 PG 副本损坏。
- T：目标：在 30 分钟内恢复数据一致性，保证业务零中断。
- A：1. 通过 `ceph health detail` 定位异常 PG；2. 执行 `ceph pg repair` 尝试自动修复；3. 手动拉起备用 OSD 并重平衡。
- R：RTO 达到 22 分钟，事后新增坏盘自动隔离脚本，并加入每周 scrub 任务。
简短示例回答（95字）：某次 Ceph 集群一个 OSD 坏盘导致数据不一致。我先用 `ceph health detail` 找到异常 PG，再通过 `ceph pg repair` 自动修复，同时拉起备用 OSD 并暂停 rebalance。最终 RTO 22 分钟。事后新增坏盘自动隔离和每周 scrub，同类故障未再发生。
可能追问：如果 `pg repair` 失败怎么办？你如何判断是数据校验还是网络问题？
Q2：你是如何确保分布式存储故障能快速发现并自愈的？
面试官考察点：监控体系建设能力、自动化故障处理思维、故障预防与混沌工程经验。
回答框架：分层设计 + 量化指标
- 采集层：Prometheus + Node Exporter + 存储组件 exporter，采集延迟、IOPS、降级副本数等。
- 告警层：设置 3 级告警，P0 故障直接触发自动恢复脚本。
- 自愈层：例如 OSD 不可用自动踢出、重建；Raft 超时自动触发新选举。
- 验证层：每周混沌实验（注入磁盘故障、网络延迟）验证自愈效果。
简短示例回答（85字）：我设计的自愈体系分三层：Prometheus+Exporter 采集指标；P0 故障触发 Ansible 自动恢复；并通过每周混沌实验验证。例如某次磁盘静默故障，监控 30s 内识别并踢出 OSD，1 分钟后重建完成，业务无感。
可能追问：你如何避免自愈脚本误杀正常节点？混沌实验怎么设计才能覆盖关键场景？
Q3：在一次跨团队故障协作中，你如何快速对齐信息并推进恢复？
面试官考察点：沟通技巧、故障分域与职责划分、技术汇报能力（体现成熟度）。
回答框架：分阶段沟通 + 信息同步结构
- 0-5 min：故障定级，明确影响（核心业务降级？多少 QPS 受影响？），通知涉及的 SRE、开发、DBA。
- 5-15 min：共享排查黑板，按“网络层→存储层→应用层”分区认领，每 5 min 同步进展。
- 恢复后：书写 5W1H 复盘，输出根因、Owner、改进项。
简短示例回答（100字）：某次元数据集群 Raft 脑裂，我 2 分钟内定级 P1，拉群并建 FAQ 文档。按“网络→存储→应用”分工排查，我负责存储层：检查 quorum 成员、比对心跳、手动指定 leader。30 分钟后恢复。复盘输出脑裂触发条件并新增仲裁策略优化。
可能追问：如果其他团队不配合怎么办？你如何控制故障升级风险？
- 字节跳动：更侧重自愈能力与大规模集群（万级节点）的故障处理经验，追问混沌工程和成本控制。
- 华为云：强调可靠性设计与架构规范，经常问“如何通过代码保证不发生数据丢失？”
- 腾讯云：关注跨团队协作和故障流程标准化，喜欢问“你推动过哪些流程改进”。
- 蚂蚁集团：对一致性协议和分布式事务理解要求深，常考 Paxos/Raft 在故障场景下的细节。