知识点思维导图
21 个知识节点
全链路故障排查（03） - 数据库、缓存与消息队列定位
读完后，你应能完成以下任务：
- 绘制“全链路故障排查（03） - 数据库、缓存与消息队列定位 / 事务、锁与数据库可见性”的关键对象与数据流，解释“数据库问题先确认请求是否提交、隔离级别、锁等待、慢查询和复制延迟。”，并用源码位置、日志或 Trace 标注证据。
- 为“全链路故障排查（03） - 数据库、缓存与消息队列定位 / 缓存键、失效与权威数据”设计正常与异常输入，验证“缓存值错误不能只 flush 全库，应隔离具体前缀和版本，避免造成击穿。”，输出首个偏差位置与回归测试结果。
- 实现“全链路故障排查（03） - 数据库、缓存与消息队列定位 / 消息 Offset、幂等与积压”的最小代码或配置，检验“修复后对账数据库状态、消息位置和外部副作用，不能只看 Lag 清零。”，输出命令、结果与 Diff，并说明不适用边界。
一、先建立全局：数据库、缓存与消息队列定位 是什么？
理解“数据库、缓存与消息队列定位”，先要把标题中的对象放进同一条处理链：它接收什么输入，经过哪些状态变化，最终用什么证据判断结果。下表不另造概念，只把作者正文已经解释的章节按依赖顺序连起来。
“数据库、缓存与消息队列定位”的第一个核心判断是：数据库问题先确认请求是否提交、隔离级别、锁等待、慢查询和复制延迟。。先弄清这个判断中的对象和输入输出，后面的实现、故障和验收才有共同语境。
| 顺序 | 章节 | 读完本节应抓住的结论 |
|---|---|---|
| 1 | 事务、锁与数据库可见性 | 数据库问题先确认请求是否提交、隔离级别、锁等待、慢查询和复制延迟。 |
| 2 | 缓存键、失效与权威数据 | 缓存值错误不能只 flush 全库，应隔离具体前缀和版本，避免造成击穿。 |
| 3 | 消息 Offset、幂等与积压 | 修复后对账数据库状态、消息位置和外部副作用，不能只看 Lag 清零。 |
| 4 | 跨数据层证据清单 | 用稳定业务 ID 关联数据库、缓存和消息。 |
| 5 | 接口返回成功不代表读副本立刻可见 | 接口返回成功不代表读副本立刻可见； |
| 6 | 死锁应由数据库选择回滚一方 | 死锁应由数据库选择回滚一方，应用捕获后有限重试并保持幂等。 |
1.1 核心对象之间怎样衔接
flowchart LR
S1["事务、锁与数据库可见性"] --> S2
S2["缓存键、失效与权威数据"] --> S3
S3["消息 Offset、幂等与积压"] --> S4
S4["跨数据层证据清单"] --> S5
S5["接口返回成功不代表读副本立刻可见"]
这张图只表达本文的讲解顺序，不替代正文机制。判断“数据库、缓存与消息队列定位”是否真正掌握，需要能从最后一个结果沿图回到前面每个章节的输入、状态变化和证据。
1.2 再看失败：问题最早会出现在哪一步？
在“数据库、缓存与消息队列定位”的对象和顺序已经明确后，再看可观察的失败：只看均值、耗时未分段或吞吐以正确率为代价。定位时不从最后一条错误猜原因，而是沿上图找第一个偏离正文结论的节点。
二、事务、锁与数据库可见性
数据库问题先确认请求是否提交、隔离级别、锁等待、慢查询和复制延迟。 接口返回成功不代表读副本立刻可见； 死锁应由数据库选择回滚一方，应用捕获后有限重试并保持幂等。
三、缓存键、失效与权威数据
Cache-Aside 以数据库为权威，写后删除缓存并处理并发回填； 排障记录完整键、TTL、序列化版本和命中来源。 缓存值错误不能只 flush 全库，应隔离具体前缀和版本，避免造成击穿。
四、消息 Offset、幂等与积压
消息链路检查生产确认、Topic/Queue、Partition、消费者组、Offset、Lag、重试和死信。 至少一次投递要求消费者使用业务幂等键； 修复后对账数据库状态、消息位置和外部副作用，不能只看 Lag 清零。
五、跨数据层证据清单
用稳定业务 ID 关联数据库、缓存和消息。
business_id: order-42
database:
transaction_committed: true
row_version: 17
replica_lag_ms: 120
cache:
key: tenant-a:order:42:v3
ttl_seconds: 260
row_version: 16
message:
topic: order-events
partition: 3
offset: 9912
consumer_lag: 240
idempotency_key: order-42-paid
版本差异直接表明缓存落后于数据库，但仍需查明失效事件为何未传播。 所有查询保持只读，修复动作先评估影响范围。
六、故障边界与验证
| 现象 | 常见根因 | 验证与处理 |
|---|---|---|
| 数据库已更新，页面仍旧值 | 缓存未失效、读副本延迟或索引未同步 | 按版本逐层比较，不直接清空全部缓存 |
| 同一消息执行两次扣款 | 至少一次投递但消费者无业务幂等 | 用唯一幂等键和事务记录阻止重复副作用 |
| Lag 下降但业务数据缺失 | 消费者跳过、死信或提交 Offset 早于处理 | 对账消息 ID、处理记录和死信，不以 Lag 作为唯一成功证据 |
七、动手验证：先跑通 数据库、缓存与消息队列定位，再改变一个变量
前面的章节已经建立问题、概念和机制。现在把“数据库、缓存与消息队列定位”放进同一套基线中运行；本节不再引入新术语，只验证前文结论能否被复现。
7.1 基线与候选只允许一个变量不同
验证“数据库、缓存与消息队列定位”时，先固定请求集、Token 分布、并发梯度、模型和机器版本。候选方案只能改变本次要验证的变量；如果同时更换数据、依赖和配置，即使结果改善，也不能知道是哪一项产生作用。
执行“数据库、缓存与消息队列定位”时，动作是：执行冷启动与稳态压测，拆分排队、Prefill、Decode。原始结果不能只保留截图或汇总分数，必须同步保存：P95/P99、TTFT、tokens/s、错误率、缓存率、成本，使下一次复查可以在同一输入上重放。
| 实验要素 | 本文要求 |
|---|---|
| 固定条件 | 固定请求集、Token 分布、并发梯度、模型和机器版本 |
| 唯一变量 | 本次候选方案与基线之间的一项明确差异 |
| 原始证据 | P95/P99、TTFT、tokens/s、错误率、缓存率、成本 |
| 通过阈值 | 质量不降，峰值并发仍满足延迟与成本预算 |
| 立即停止 | 只看均值、耗时未分段或吞吐以正确率为代价 |
7.2 执行前先排除不可比较条件
“数据库、缓存与消息队列定位”开始前先确认下面四项；任一项不成立，都应先修复实验条件，而不是解释结果。
- 基线能够在“数据库、缓存与消息队列定位”的当前环境重复运行。
- 候选只改变一个与“数据库、缓存与消息队列定位”结论直接相关的条件。
- “数据库、缓存与消息队列定位”的基线和候选使用同一批输入、同一版本依赖与同一通过阈值。
- “数据库、缓存与消息队列定位”的原始输出和失败现场不会被重试、格式化或汇总覆盖。
7.3 执行后先核对证据完整性
结果出来后先检查证据，再讨论“数据库、缓存与消息队列定位”是否通过。缺少中间状态时，最终输出只能说明现象，不能证明机制。
| 检查项 | 当前文章的判定 |
|---|---|
| 输入可追溯 | 固定请求集、Token 分布、并发梯度、模型和机器版本 |
| 过程可回放 | 执行冷启动与稳态压测，拆分排队、Prefill、Decode |
| 结果可审计 | P95/P99、TTFT、tokens/s、错误率、缓存率、成本 |
“数据库、缓存与消息队列定位”的一次合格基线对照按以下顺序执行：
- 保存“数据库、缓存与消息队列定位”基线版本及输入摘要，确认基线本身可以重复运行。
- 写下“数据库、缓存与消息队列定位”候选方案唯一变化的变量，以及它预期影响的指标。
- 在同一环境执行“数据库、缓存与消息队列定位”：执行冷启动与稳态压测，拆分排队、Prefill、Decode。
- 为“数据库、缓存与消息队列定位”保存：P95/P99、TTFT、tokens/s、错误率、缓存率、成本。
- 使用“数据库、缓存与消息队列定位”预登记条件判断：质量不降，峰值并发仍满足延迟与成本预算。
- 如果“数据库、缓存与消息队列定位”未通过，不修改第二个变量，先恢复基线并保留失败现场。
八、用一张矩阵验证 数据库、缓存与消息队列定位 的关键结论
矩阵按正文顺序列出“数据库、缓存与消息队列定位”的结论。一次实验只选择一行，只改变这一行对应的条件；不要把多行合并成一个无法归因的大实验。
| 正文章节 | 已解释的结论 | 本轮唯一变量 | 必须保存的证据 |
|---|---|---|---|
| 事务、锁与数据库可见性 | 数据库问题先确认请求是否提交、隔离级别、锁等待、慢查询和复制延迟。 | 只改变与“事务、锁与数据库可见性”相关的条件 | P95/P99、TTFT、tokens/s、错误率、缓存率、成本 |
| 缓存键、失效与权威数据 | 缓存值错误不能只 flush 全库，应隔离具体前缀和版本，避免造成击穿。 | 只改变与“缓存键、失效与权威数据”相关的条件 | P95/P99、TTFT、tokens/s、错误率、缓存率、成本 |
| 消息 Offset、幂等与积压 | 修复后对账数据库状态、消息位置和外部副作用，不能只看 Lag 清零。 | 只改变与“消息 Offset、幂等与积压”相关的条件 | P95/P99、TTFT、tokens/s、错误率、缓存率、成本 |
| 跨数据层证据清单 | 用稳定业务 ID 关联数据库、缓存和消息。 | 只改变与“跨数据层证据清单”相关的条件 | P95/P99、TTFT、tokens/s、错误率、缓存率、成本 |
| 接口返回成功不代表读副本立刻可见 | 接口返回成功不代表读副本立刻可见； | 只改变与“接口返回成功不代表读副本立刻可见”相关的条件 | P95/P99、TTFT、tokens/s、错误率、缓存率、成本 |
| 死锁应由数据库选择回滚一方 | 死锁应由数据库选择回滚一方，应用捕获后有限重试并保持幂等。 | 只改变与“死锁应由数据库选择回滚一方”相关的条件 | P95/P99、TTFT、tokens/s、错误率、缓存率、成本 |
8.1 记录本次实际实验
下面的记录用于“数据库、缓存与消息队列定位”当前这一次实验，不是第二套知识目录。先从矩阵选择一个章节，再填写实际值；没有填写的字段表示尚未验证。
topic: "数据库、缓存与消息队列定位"
selected_chapter: required
claim_from_article: required
baseline_version: required
changed_condition: exactly_one
execution: "执行冷启动与稳态压测，拆分排队、Prefill、Decode"
evidence: "P95/P99、TTFT、tokens/s、错误率、缓存率、成本"
pass_when: "质量不降，峰值并发仍满足延迟与成本预算"
stop_when: "只看均值、耗时未分段或吞吐以正确率为代价"
observed_result: required
first_deviation: null_or_evidence
recovery_replay: required_after_failure
8.2 边界实验必须证明能够停止和恢复
成功路径只能证明“数据库、缓存与消息队列定位”在当前样本上工作，不能证明它可以进入生产。边界实验需要主动制造：只看均值、耗时未分段或吞吐以正确率为代价，并观察系统是否在产生不可逆副作用前停止。
| 场景 | 只改变什么 | 应保存什么 | 通过标准 |
|---|---|---|---|
| 正常路径 | 使用已知有效输入 | P95/P99、TTFT、tokens/s、错误率、缓存率、成本 | 质量不降，峰值并发仍满足延迟与成本预算 |
| 边界路径 | 把一个输入推进到约束临界值 | 临界值前后的输出与指标 | 不静默降级，不把部分结果冒充成功 |
| 明确失败 | 注入：只看均值、耗时未分段或吞吐以正确率为代价 | 原始错误、首个异常阶段和最终状态 | 失败被正确分类且没有扩大副作用 |
| 恢复重放 | 执行：调整上下文、批处理、缓存或路由，保留旧配置回滚 | 原失败样本的复测证据 | 原样本恢复，正常样本没有回归 |
恢复动作不是简单重启。对于“数据库、缓存与消息队列定位”，第一步是：调整上下文、批处理、缓存或路由，保留旧配置回滚。完成后使用原始失败样本复测；只验证一个新样本成功，不能证明触发条件已经消失。
“数据库、缓存与消息队列定位”边界实验结束后，应把正常、临界、失败和恢复四类记录放在同一个运行批次中。这样才能区分“候选方案真的修复问题”和“环境变化让问题暂时没有出现”。
九、数据库、缓存与消息队列定位 的结果解释
解释“数据库、缓存与消息队列定位”实验时先看首个偏差，而不是最后一条错误。最后的异常通常只是上游状态错误的结果；从末端反推容易误把症状当根因。
| 观察结果 | 可以支持的判断 | 下一步 |
|---|---|---|
| 主链路没有达到预期 | 只看均值、耗时未分段或吞吐以正确率为代价 | 先执行：调整上下文、批处理、缓存或路由，保留旧配置回滚 |
| 异常链路无法恢复 | 只看均值、耗时未分段或吞吐以正确率为代价 | 先执行：调整上下文、批处理、缓存或路由，保留旧配置回滚 |
| 新样本成功但原样本仍失败 | 修复没有覆盖原始触发条件 | 固定原失败输入，恢复基线后重新比较 |
| 指标改善但证据无法回链 | 数据、版本或中间状态没有固定 | 暂停发布，补齐可追溯记录后重跑 |
“数据库、缓存与消息队列定位”只有同时满足“质量不降，峰值并发仍满足延迟与成本预算”，并且没有出现“只看均值、耗时未分段或吞吐以正确率为代价”，才可以认为主链路通过。这里的“通过”只对当前固定版本、样本和环境有效，不能外推到尚未测试的容量、权限或数据分布。
如果“数据库、缓存与消息队列定位”候选方案与基线差异很小，先检查证据分辨率是否足够；如果差异很大，先排除数据泄漏、环境漂移和版本不一致。两种情况都不能只看一个汇总均值，需要回到逐样本输出和中间状态。
“数据库、缓存与消息队列定位”故障定位完成后，记录“现象、首个偏差、根因、改动、原样本复测”五项。缺少原样本复测时，只能标记为待观察，不能标记为已解决。
十、数据库、缓存与消息队列定位 的发布判断
发布判断需要把“数据库、缓存与消息队列定位”的质量、失败边界和恢复能力放在同一份记录中。以下任一条件缺失，都应停止扩量，而不是用“基本正常”替代证据。
- “数据库、缓存与消息队列定位”的基线与候选只存在一个计划内变量。
- “数据库、缓存与消息队列定位”的输入、代码、依赖、配置和数据版本可以追溯。
- “数据库、缓存与消息队列定位”的正常、临界、失败和恢复样本使用同一套断言。
- “数据库、缓存与消息队列定位”的原始输出、中间状态和失败现场已经保留。
- “数据库、缓存与消息队列定位”的日志、Trace、截图和测试数据已经脱敏。
- “数据库、缓存与消息队列定位”的停止条件、负责人和回滚入口已经演练。
- “数据库、缓存与消息队列定位”尚未覆盖的输入、权限、容量和外部依赖已经登记。
最终记录至少包含基线版本、唯一变量、原始证据、首个偏差、恢复复测和发布责任人。没有参与本次修改的人如果不能据此重放“数据库、缓存与消息队列定位”的判断，就不能发布。
十一、总结
- 事务、锁与数据库可见性：数据库问题先确认请求是否提交、隔离级别、锁等待、慢查询和复制延迟。
- 缓存键、失效与权威数据：缓存值错误不能只 flush 全库，应隔离具体前缀和版本，避免造成击穿。
- 消息 Offset、幂等与积压：修复后对账数据库状态、消息位置和外部副作用，不能只看 Lag 清零。
- 跨数据层证据清单：用稳定业务 ID 关联数据库、缓存和消息。
学完自测
选择所有正确答案；提交后逐项核对判断依据。