📚 课程目录第2章高频面试问题与回答框架

第2章：容器平台故障治理高频面试问答

  核心能力矩阵：故障治理工程师需掌握故障发现→隔离→恢复→复盘全链路，重点考核容器编排、网络策略、存储故障三大场景的实战经验。

⚠ 加分技巧：在回答中主动使用“故障树分析”或“概率降噪”等专业术语，并给出具体数据（如“将误告警率从30%降至5%”），可显著提升技术深度印象。

面试问题	你的Pod频繁出现CrashLoopBackOff（崩溃循环），如何从平台视角快速定位根因？请描述你的排查思路和工具链。
面试官考察点	故障场景还原能力、容器状态分析、资源与网络排查、日志聚合工具使用（如Loki + Kubectl）
回答框架	STAR： S（背景）→ T（定位目标）→ A（日志/资源/配置三步排查）→ R（确认根因并修复）
简短示例回答	“某在线服务Pod 5分钟内出现10次CrashLoop。我优先查看kubectl describe pod获取事件，发现资源不足（OOMKilled）。随后检查节点内存使用率（top/node_exporter），确认是内存Limit设置过小。调整Limit并增加HorizontalPodAutoscaler后恢复，故障时长从30分钟降至2分钟。” (98字)
可能追问	“既然资源不足，为什么内存Limit合理却依然OOM？请解释Kubernetes OOM Killer的工作原理。” “如何设计自愈规则自动触发扩容而非人工调整？”
避坑提醒	❌ 别只说“看日志”→ 要展示具体命令和指标。 ✅ 强调系统化排查：事件→资源→应用日志→流量。

面试问题	请分享一次你解决容器平台网络故障的经历，包括如何隔离、定位和恢复。
面试官考察点	CNI插件理解、网络策略排查能力、故障隔离与灰度恢复经验
回答框架	问题-方案-收益： 1. 问题现象（如跨节点Pod不通） 2. 排查方案（calicoctl / iptables / tcpdump） 3. 根治收益（SLA提升）
简短示例回答	“生产环境出现跨节点Pod超时。使用calicoctl node status发现一个WorkloadEndpoint被误删，导致路由丢失。通过Calico policy追溯恢复路由配置，并添加NetworkPolicy自动修复脚本。故障从40分钟修复缩短至8分钟，跨节点延迟从120ms降至3ms。” (96字)
可能追问	“如果Calico组件完全不可用，你如何实现网络故障逃生？” “K8s Service的ClusterIP不通，你会如何排查？请列出3个命令。”
避坑提醒	❌ 避免只讲抽象“查看网络” → 必须给出具体工具和输出。 ✅ 主动提及故障隔离策略（如先下线异常节点再分析）。

面试问题	你的StatefulSet Pod状态为Pending，原因是PVC无法挂载，你怎么排查和解决？
面试官考察点	存储插件（CSI/ Flexvolume）理解、磁盘配额、NFS/云盘故障处理、数据一致性保证
回答框架	STAR： S（业务依赖存储）→ T（恢复Pod运行）→ A（检查CSI驱动、后端存储状态、重建PV）→ R（业务无感恢复）
简短示例回答	“MySQL主节点Pod处于Pending，原因是PVC绑定到已损坏的云盘。我用kubectl describe pvc发现Event为‘MountVolume.SetUp failed’，进一步检查CSI驱动日志确认云盘快照超时。手动重建PV并迁移数据，恢复后设置存储类reclaimPolicy: Retain避免自动删除。” (96字)
可能追问	“存储故障时如何保证数据不丢失？请具体说明ReadWriteOnce和ReadWriteMany的区别及风险。” “如果PV重新创建后数据被覆盖，你怎么恢复？”
避坑提醒	❌ 切忌直接删除PVC/StatefulSet → 可能丢失数据。 ✅ 强调先备份数据/快照，再修改存储类或重建资源。

🔥 高管追问高频：“如果平台同时发生3种不同类型的故障（Pod崩溃、网络不通、存储写失败），你如何排定处理优先级？请列出决策因子。” 回答要点：按业务影响面 > 恢复可行性 > 平台稳定性排序，并说明快速止血（如先隔离受损节点）。

📌 以上3问覆盖了容器平台故障治理最核心的计算、网络、存储三大场景，建议配合第10章“多故障并发案例”进一步巩固。