第2章 SRE核心技能与高频技术问题
本章聚焦大厂SRE面试最高频的四大技术考察方向：常见技术栈、分布式系统原理、监控告警设计以及答题逻辑框架。面试中，技术深度与结构化表达缺一不可。掌握以下框架与案例，帮你从“会做”进阶到“会讲”。
📊 SRE核心技能矩阵
| 技能维度 | 核心技术 | 面试考察点 | 加分行为 |
|---|---|---|---|
| 常见技术栈 | K8s·Prometheus·ELK·CI/CD | 架构设计·故障排查·容量规划 | 结合实战案例，对比选型优劣 |
| 分布式系统 | CAP/Base·一致性算法·分布式事务 | 理论理解·权衡能力·兜底方案 | 给出具体场景的取舍逻辑与补偿机制 |
| 监控告警 | 指标采集·告警规则·降噪策略 | 体系化设计·SLA导向·闭环能力 | 展示MTTR优化数据和告警有效率 |
| 答题框架 | STAR·PREP·5W2H | 逻辑清晰·结构化表达·可迁移 | 框架+案例+数据三位一体回答 |
🎯 面试问题
请介绍你如何设计一个高可用的微服务架构？需要考虑哪些关键点？
📋 面试官考察点
- 技术广度与架构设计思维
- 对高可用本质的理解深度
- 是否具备真实落地经验
🧩 回答框架
- 分层架构设计（服务/数据/部署/可观测）
- 关键组件选型与对比
- 容错机制（熔断/限流/降级）
- 数据驱动持续优化
💬 简短示例回答
我会从四个维度设计：服务层采用Sentinel熔断降级 + Nginx+Lua限流；数据层使用主从分片+多活；部署层采用K8s多可用区+HPA；可观测层搭建Prometheus+Grafana+ELK。大促期间通过预案演练 + 容量规划保障SLA，MTTR控制在10分钟内。
🔍 可能追问
在什么场景下触发了熔断？熔断阈值如何设置？
⚠️ 避坑提醒
不要只谈理论，必须结合具体技术组件和你的实际决策案例，说出“在什么场景下做了什么选型”。
🎯 面试问题
请解释CAP理论，并说明在分布式系统中如何权衡一致性、可用性和分区容错性？
📋 面试官考察点
- 分布式理论理解深度
- 实际场景中的权衡能力
- 兜底与补偿方案设计
🧩 回答框架
- 理论定义（C/A/P三者关系）
- 场景分析（业务优先级）
- 权衡策略（AP + 最终一致性）
- 实际案例 + 补偿机制
💬 简短示例回答
CAP理论指在P发生时需在C和A间权衡。我主导的订单系统选择AP+最终一致性，因为电商场景可用性优先。使用Kafka异步对账 + 本地消息表 + 补偿机制保证最终一致，同时通过多副本Quorum机制提升读取一致性，数据不一致时间控制在5秒内。
🔍 可能追问
最终一致性的延迟如何控制？数据不一致怎么兜底？
⚠️ 避坑提醒
不要单纯背诵理论，要结合业务场景说明你的选择逻辑，并给出可落地的补偿和兜底方案。
🎯 面试问题
如何设计一套面向SLA的监控告警系统？请从指标设计到告警闭环完整说明。
📋 面试官考察点
- 体系化设计能力
- SLA导向的监控思维
- 告警闭环管理经验
🧩 回答框架
- 指标体系（业务→应用→系统→基础设施）
- 采集存储（Prometheus + Thanos）
- 告警规则（P0-P4分级）
- 通知降噪 + 自愈闭环
💬 简短示例回答
以SLA为导向分四层设计：业务层（下单成功率、支付耗时）、应用层（响应时间、错误率）、系统层（CPU、内存）、基础设施层（网络、磁盘）。使用Prometheus + Thanos采集存储，告警按P0-P4分级，配合值班排班+升级策略，通过告警降噪 + 自动化运维将MTTR从45分钟降至15分钟，有效告警率提升至82%。
🔍 可能追问
P0和P1的告警阈值如何定义？告警降噪的具体手段有哪些？
⚠️ 避坑提醒
不要只罗列技术组件，要突出“面向SLA”的设计理念和闭环管理逻辑，强调告警有效性和可操作性。