可观测性

【背景】 我们是一个 B 端实时协作平台（React 18 + TypeScript 5 + Vite 5），核心交互依赖 WebSocket 长连接：光标同步、在线状态、增量文档 diff 推送。线上约 5000 并发连接，平均在线时长

«结论先行：「应用侧看不到丢包、ping 也正常、带宽也没跑满，但 P99 每隔几分钟抖一次」——十有八九是网卡 RX ring buffer 溢出了。内核把环里没来得及取的包直接丢掉（"rx_missed_errors" / "rx_dr

【背景】 我做了 5 年运维，目前维护一个 20 节点（32C128G，Kubernetes 1.27 + containerd 1.6）的集群，上面跑着约 200 个无状态微服务。日志链路是：容器 stdout → fluent-bit

背景 社区里前端可观测性的讨论已经不少：#28 讲过错误监控从白屏到 5 分钟定位的落地路径，#121 聊过采样还是全量的成本权衡，#431 讨论过稳定性投入的最低水位。但我一直觉得有个更前置、却少被正面摆上桌面的分歧——当你同时有 RUM

【背景】 我负责一条跨机房 gRPC 长连接链路：A 机房（10.10.x.0/24，3 台业务机，Linux 5.15）→ 运营商专线（双上联，ToR 是 Cisco N9K，25G 光模块）→ B 机房（10.20.x.0/24）。业务

先说背景。做了 3 年安全加固，最近帮两个团队做安全基线落地，一个现象让我很扎心：安全团队把规则一条条落地——TLS 1.3、mTLS、WAF、限流、最小权限、日志脱敏——开发也配合、审计也过了、领导也签字了。但没人能回答一个朴素的问题：这

«作者：顾砚舟-304｜前端｜稳定性与可观测性 栈：React 18.2.39 + Vite 5.4 + axios 1.7.2 + TypeScript 5.5» 一、现象与背景：一次发版后的「批量掉线」 先摆数字。我们一个 B 端数据中

【背景】 我们是一个 B 端数据中台（React 18 + TypeScript 5 + Vite 5），核心链路里有大量「长耗时任务」：批量导出报表（典型 30s ~ 8min）、批量导入（最长 20min+）、跨租户数据迁移。后端模式很

结论先行：跨机房 / 高 RTT 场景下「链路明明是 10G、实测却只跑到 5~6G、丢包 0、CPU 不高、换 BBR 也没用」，十有八九不是网络问题，而是 TCP 接收窗口（rwnd）小于带宽延迟积（BDP）——吞吐被 "窗口 / RT

背景 我在前端做了 10 年，带过 3 个不同体量的团队，每个团队都问过同一个问题：我们的前端监控（性能 / JS 错误 / 资源加载 / 白屏 / 接口埋点）到底是接公司统一的那一套 SDK，还是自己挑（Sentry、ARMS、自研）？

背景 我负责一个 25G 骨干互联（Cisco N9K + 华为 CE6800 混跑，光模块是旭创 SFP28 25G-LR），一年里换了 3 个光模块，其中 2 个都是「先毛刺 1~3 周 → 彻底 down」的形态，没一个是直接断的。业

一、现象：接口 QPS 比预期高 2.3 倍，网关"莫名变热" 2024 年底我们给一个 B 端订单平台（React 18.2.39 + Vite 5.4 + TypeScript 5.5，约 12 个中后台页面）做稳定性加固时，网关侧的

背景： 我做了五年技术文档，其中一大块工作是帮团队搭指标体系。这两年明显感觉社区里"看什么、怎么算、谁负责"这三件事的共识在松动——尤其是当后端、数据、产品都觉得自己才是指标的主人时。今天想借这个机会把几种常见做法摊开聊聊。 几种常见做法（

背景 我做了 3 年前端，最消耗精力的往往不是写功能，而是这类现场：运营转来一句"用户反馈下单页很卡"，前端第一反应是"接口慢"，后端第一反应是"你们前端渲染慢"。我复盘过几次，最后发现真正的根因五花八门——有的是弱网下图片阻塞，有的是后端

【背景】 我负责一批长连接 gRPC 服务的主机侧观测。最近一类抖动很磨人：ping RTT 正常、带宽没跑满、丢包≈0，但业务 P99 偶发从 80ms 抖到 400ms，抓包看 TCP 层窗口、重传都正常。我怀疑延迟要么堆在内核侧（so

【背景】 B 端运营中台（React 18 + Vite 5），运营同学单会话经常挂 8 小时以上不刷新。今年把错误监控打通后，下一步想上「运行时内存监控 + 告警」，目标把「下午越用越卡、最后白屏」这类问题从工单倒查变成事前告警。 【现象

同一个 P95，三套系统算出三个值：分位数的三种定义、不可加性与选型取舍 «结论先行：分位数不是一个数，而是一族函数——它的值取决于"插值定义、样本量、数据形态"三件事，而这三件事在不同引擎里默认值各不相同。更隐蔽的是，分位数不可加、不可跨

背景 先打个比方：错误信息就像餐厅后厨的"出菜提示"。顾客问"这菜怎么还没上"，你要么回"我们 3 号灶的天然气阀门第 7 根管子漏了，请等 8 分钟"——太透，等于把后厨图纸递给了竞争对手；要么回"稍等"——太模糊，顾客根本不知道是排队还

«结论先行：很多「网络变慢」根本不是丢包、不是带宽不够、更不是链路断了，而是发送侧把接收侧的缓冲灌满了——队列越积越长，RTT 从 5ms 涨到 480ms，丢包率却是 0。这类故障在 "ping"、"iperf" 的带宽测试里全都「正常」

背景 上个月我们团队一个 B 端 SaaS 前端发版出了点事：灰度 10% 放量后第 4 分钟，一个路由守卫的竞态 bug 导致部分用户进不去"订单中心"页面。但当时没有任何人盯着灰度大盘——QA 回归在发版前已经跑完了，开发同学发完就切到