面试 · 对比辨析型

目标：考察对相近概念的精确区分能力和结构化对比思维。每题必须包含对比表。 答题框架：是什么 → 差异 → 替代方案 → 如何选（视题目类型选用适用步骤）。

1. SRE vs DevOps：核心区别是什么？#

差异：DevOps 回答"如何搭工具链"，SRE 回答"如何用工具做决策"。DevOps 没有 SLO/Error Budget 这套量化框架，发布决策靠主观判断。

如何选：两者不互斥。最好的团队同时有 DevOps 文化（打破壁垒）和 SRE 实践（量化可靠性）。先做 DevOps 搭工具，再做 SRE 做决策。

2. SLI vs SLO vs SLA：三者的关系和区别#

差异：SLI 是尺子（测量），SLO 是刻度（目标），SLA 是刻度加后果（违约赔付）。

如何选：关系链——SLI 测量 → 验证 SLO → SLA 比 SLO 更宽松。SLA 永远不能等于 SLO，中间必须有缓冲（如 SLO 99.95%，SLA 99.9%，缓冲 0.05%）。

3. 症状型告警 vs 原因型告警#

差异：症状型度量"用户疼不疼"，原因型度量"组件坏没坏"。前者直接对应用户体验，后者需要推断。

替代方案：原因型指标不直接 page，但用在 Dashboard、告警子条件、抑制条件、Ticket 级告警。

如何选：Google SRE 铁律——page 级告警必须是症状型。原因型放排障下钻用。

4. 熔断（Circuit Breaker）vs 限流（Rate Limiting）#

差异：熔断是"下游生病了我避开"，限流是"我自己只接这么多"。熔断是自适应的（根据错误率自动开关），限流是静态的（固定阈值）。

如何选：两者互补，必须组合使用。熔断防雪崩，限流防过载。一个完整的可靠性方案两者都需要。

5. 令牌桶（Token Bucket）vs 漏桶（Leaky Bucket）#

差异：令牌桶允许突发（桶里有令牌就能瞬间处理多个），漏桶强制平滑（不管请求多突发，处理速率恒定）。

如何选：API 网关用令牌桶（用户请求允许偶尔突发），消息队列消费用漏桶（必须匀速处理）。

6. 白盒监控 vs 黑盒监控#

差异：白盒是"系统自述健康状况"，黑盒是"外部用户视角探测"。白盒能定位根因但只能回答"已知的未知"，黑盒能发现"未知的未知"但不能定位根因。

如何选：SRE 要求两者互补。白盒做 SLO 和排障，黑盒做兜底和死机检测。半夜无流量时黑盒是唯一信号。

7. SLO 99.9% vs 99.99%：成本差异有多大？#

差异：每增加一个九，允许的不可用时间减少 10 倍，但成本增加 3-5 倍。从 99.9% 到 99.999% 可能需要 10-20 倍成本。

如何选：根据用户期望和业务价值。内部工具 99% 够，一般业务 99.9%，核心交易 99.99%，电信级基础设施 99.999%。不要盲目追求高 SLO——多一个九的成本远非线性的。

8. 滚动更新 vs 蓝绿部署 vs 金丝雀发布#

差异：滚动更新是"渐进替换"，蓝绿是"整体切换"，金丝雀是"小流量先验证"。金丝雀风险最低因为有"试探"阶段。

如何选：金丝雀是默认策略。全量发布只应在内部工具等低风险场景使用。蓝绿适合需要瞬间切换的场景（如重大架构升级）。

9. HPA（水平扩缩）vs VPA（垂直扩缩）vs CA（集群扩缩）#

差异：HPA 加副本，VPA 加资源（CPU/内存），CA 加节点。HPA 是最常用的，VPA 适合"不知道该给多少资源"的服务，CA 是 HPA 的下游——HPA 触发后 Pod 没节点可调度时 CA 扩节点。

如何选：无状态服务用 HPA，有状态服务慎用 VPA（重启风险），所有集群配 CA/Karpenter 兜底。

10. Recording Rule vs Alerting Rule#

差异：Recording Rule 是"预计算"，Alerting Rule 是"判定+触发"。前者产出新指标供查询，后者产出告警通知。

如何选：Recording Rule 是性能前提——没有它，燃烧率告警的长时间窗口计算会让 Prometheus 超时。所有 SLO 告警必须先建 Recording Rules。

11. Kubernetes liveness probe vs readiness probe vs startup probe#

差异：Liveness 管"要不要重启"，Readiness 管"要不要接流量"，Startup 管"启动完成没"。三者各司其职，不能混用。

如何选：所有服务配 readiness（必须），核心服务配 liveness（防死锁），慢启动应用配 startup（如 Java）。

12. On-call primary vs secondary#

差异：Primary 是"第一响应人"，Secondary 是"备份"。Secondary 不是"第二个 primary"，只在 primary 失联时才被叫醒。

如何选：关键设计——Secondary 不能被每个告警打扰，否则浪费两人时间。3 层升级链足够（primary → secondary → team lead），再多让 primary 产生依赖心理。

13. 发布中的 Error Budget 检查 vs CI/CD 质量门禁#

差异：CI/CD 门禁管"代码对不对"，Error Budget 管"系统能不能承受这次发布的风险"。前者是代码质量，后者是系统风险承受能力。

如何选：两者互补，缺一不可。代码再好，Budget 耗尽时也不能发；Budget 再多，代码没过 CI 也不能发。

14. 嵌入式 SRE vs 平台 SRE#

差异：嵌入式 SRE 像顾问，深入业务但资源分散；平台 SRE 像工具商，产出可复用但离业务远。

如何选：混合模型是中大型公司的常见选择——平台组建基础设施，嵌入组配核心业务。小团队用平台 SRE（效率高）。

15. GameDay 演练 vs 常态化故障注入#

差异：GameDay 是"集中深度演练"，常态化是"日常持续验证"。前者解决团队学习和文化问题，后者解决系统韧性持续维持问题。

如何选：两种形式都要做。GameDay 季度做一次深度演练，常态化每天自动注入。互补关系，不是替代。

16. 监控（Monitoring）vs 可观测性（Observability）#

差异：监控只能回答你提前想到的问题（"CPU 高了吗"），可观测性要求系统回答你没提前想到的问题（"为什么这个用户下单失败"）。

如何选：可观测性是监控的超集。目标是可观测性——三支柱（指标/日志/链路）+ 关联键（trace_id）+ 下钻闭环。

17. 自动回滚 vs 人工回滚#

差异：自动回滚快但可能误判，人工回滚准但慢。14.4x burn rate 时每分钟都在烧预算，等不起人工判断。

如何选：SLO burn rate > 14.4x 自动回滚（没时间等人），其他条件人工确认后回滚。

18. 错误率 SLO vs 延迟 SLO#

差异：错误率衡量"对不对"，延迟衡量"快不快"。用户两个都关心——又对又快才是好体验。

如何选：两者必须独立管理，独立计算 Error Budget。只有错误率 SLO 没有 latency SLO，会出现"成功率 100% 但每个请求要 10 秒"的假健康状态。

19. Toil vs 工程（Engineering）#

差异：Toil 是"做完之后系统状态没改善"，工程是"做完之后系统结构性变好"。Toil 是规模陷阱（规模翻倍 toil 翻倍），工程是规模解耦（一次投入永久受益）。

如何选：50% toil 上限是硬约束。Toil > 50% 时必须启动治理——削减告警、自动化高频操作、推回给研发。

20. Postmortem 的 Fix vs Prevent vs Detect vs Mitigate vs Process#

差异：Fix 修"这次"，Prevent 防"一类"，Detect 早发现，Mitigate 减影响，Process 改流程。五类各有不可替代的作用。

如何选：每个 Postmortem 的 Action Items 必须五类齐全，至少各一条。只有 Fix 没有 Prevent，同类问题会在其他服务重演。

21. 紧急止损 vs 根因排查#

差异：止损是"先让业务恢复"，根因是"找为什么出问题"。止损有明确路径（回滚、切流、重启），根因需要调查。

如何选：先止损后找根因是事故响应的核心原则。先找根因的风险——花 1 小时定位根因，业务已经挂了 1 小时。止损后压力消失，有更冷静的环境查根因。

22. Pull 监控 vs Push 监控#

差异：Pull 是"监控系统主动抓"，Push 是"被监控方主动推"。Pull 模型"抓不到就是宕机"这个免费的存活检测是最被低估的优点。

如何选：长驻服务的指标用 Pull（Prometheus），日志/链路天然是 Push（事件流没法 pull），短命任务用 Push Gateway 兜底。

答题技巧：对比辨析题的关键是先画表再补充说明。面试官看对比表 30 秒就能判断你的理解深度，后面的文字说明（差异 + 替代方案 + 如何选）是加分项。框架：是什么 → 差异 → 替代方案 → 如何选。