置顶生产问题排查手记：37 篇线上事故的完整排查过程（总目录与症状速查）
从 CPU 飙高、OOM、慢 SQL 到消息堆积、Docker 与 Nginx 故障，37 篇第一人称排查记录的总目录：分层排查地图、症状速查表、按分类索引。
# 运维
从一个关键词，发现新的思路。
Docker 笔记（三）网络与存储篇：bridge/host、端口映射、volume 与挂载权限
容器的「网络不通」和「文件没权限」是运维群里最高频的两类问题，绝大多数不是 Docker 的 bug，而是网络模型与宿主机的差异没搞清。这篇讲四种网络模式、bridge 到底靠什么打通、-p 与 EXPOSE 的区别、容器间怎么互访、localhost 的陷阱，以及 volume/bind mount/tmpfs 怎么选和权限、时区怎么配。
Docker 笔记（四）生产篇：Compose 编排、日志轮转与上线检查清单
单个容器好管，一堆容器就靠 Compose。但 Compose 里最容易踩的不是语法，是「启动顺序」和「日志把磁盘吃光」。这篇给一份能直接改用的 Java + MySQL + Redis 编排示例，讲清 depends_on 为什么只等启动不等就绪、日志驱动怎么配才不会撑爆根分区，以及上线前必须过一遍的检查清单。
Docker 笔记（五）速查篇：常用命令清单与 12 个常见场景案例
前四篇是按知识点讲的，这篇是反过来用的：命令忘了、线上出事了，回来翻。上半部分按镜像、容器、网络、存储、Compose、系统清理分组整理常用命令，能直接复制；下半部分是 12 个真实场景案例，每个给出现象、怎么查、结论三步。
给大表加一个字段，整站查询全卡死：一个“睡着”的事务与 Waiting for table metadata lock
线上执行 ALTER TABLE 加字段，结果这张表所有读写全部排队。原因是一个没提交的长事务持有 MDL 读锁，ALTER 等写锁，后续请求全被堵在队列。附 processlist、performance_schema、sys 视图定位与 kill、Online DDL、gh-ost、lock_wait_timeout 的做法。
刚下的单，转头就查不到：读写分离、主从延迟与那个 500 万行的 DELETE
读写分离上线后，用户“下单成功却看不到订单”。用 SHOW REPLICA STATUS 看 Seconds_Behind_Source，定位到大事务与单线程回放，再讲并行复制、Canal 延迟排查，以及“读自己写的”几种落地方案。
手敲能跑，放进 cron 就“装死”：定时任务没执行的八种死法
备份脚本手敲一切正常，放进 crontab 却悄无声息地不执行。逐条排查 cron 服务与日志、PATH 环境变量、百分号转义、时区、权限、输出重定向、flock 防重叠、时间漂移，并对比 XXL-JOB。
上传 5MB 就 413，WebSocket 每 60 秒准时“下班”：两个 Nginx 默认值的经典坑
一次上线连踩两个 Nginx 默认值：client_max_body_size 默认 1m 导致上传 413，Spring Boot multipart 与多层代理要逐层放开；WebSocket 每 60 秒断线，缺 Upgrade 头且 proxy_read_timeout 默认 60s。附 curl 复现命令与心跳方案。