面试题蒸馏卡：微服务调用失败排查

问题：微服务之间为什么会调用失败？发生场景是什么？怎么排查？

一句话机制

微服务调用 = 网络 + 注册发现 + 服务实例 + 中间件（网关/熔断/限流） 串起来的链路；任一环抖动或配置不当，调用就失败。排查核心：先看错误类型定性 → 链路追踪定位环节 → 分层（网络/注册/配置/资源）逐层排除。

发生场景（为什么会失败）

网络层：分区、延迟、丢包、DNS 解析失败、防火墙/安全组
下游不可用：宕机、OOM、CPU 打满、发布中、容器被 kill（OOMKilled）
注册中心：没注册上、心跳过期被剔除、Nacos/ZK/Eureka 数据不一致 → 拿到错误/空节点
超时/重试不当：Feign/Ribbon 超时小于下游实际耗时；重试风暴放大下游压力
熔断/限流：下游熔断打开（Circuit Open）、网关/Sentinel 限流拒绝、触发降级
负载均衡：无可用节点、节点列表陈旧
版本/契约不兼容：字段缺失/类型变更，序列化反序列化失败（JSON/Protobuf）
资源耗尽：HTTP 连接池满、DB 连接池满、线程池满、文件句柄耗尽
认证/鉴权：token 过期、签名错、网关鉴权失败
数据问题：超大请求体、慢 SQL 拖垮下游

怎么排查

看错误类型定性
- connection refused → 下游没起/端口错/网络不通
- timeout → 下游慢或超时配太小
- circuit open / flow limited → 熔断/限流
- 5xx → 下游内部错；4xx → 契约/鉴权
链路追踪：SkyWalking / Jaeger / Zipkin 看调用链哪一环慢或失败
下游健康：下游监控、日志、是否 OOM/CPU
注册中心：下游实例是否在线、IP 是否正确
网络：ping/telnet/curl/mtr/tcpdump 看丢包与链路
配置：超时、重试、熔断阈值、线程池/连接池大小
日志与控制台：下游 error 日志、网关 access log、Sentinel 控制台

怎么处理（体系化）

合理超时 + 重试（指数退避）+ 熔断降级
限流保护下游、防止雪崩（舱壁模式隔离资源）
注册中心健康检查 + 优雅上下线
监控告警 + 全链路追踪常态化
容量规划、按需扩容
契约测试保障版本兼容、灰度/回滚机制

追问链

超时和重试怎么配才合理？ 超时设略大于下游 P99；重试加指数退避 + 上限，且只对幂等接口重试。
熔断和降级有什么区别？ 熔断是"保护自己"（下游不健康就快速失败）；降级是"兜底方案"（返回默认/缓存值）。
注册中心挂了会怎样？ 取决于实现：Nacos/ZK 临时节点失效会剔除；客户端通常缓存旧列表，短期可用但无法感知新节点上下线。
怎么用链路追踪定位？ TraceId 贯穿全链路，看哪一环 duration 异常或 status=ERROR。
雪崩怎么预防？ 限流 + 熔断 + 舱壁隔离（线程池隔离）+ 超时，三件套防级联失败。

常见误解

❌ "调用失败就是下游挂了" —— 也可能是自己超时配太小、连接池满、DNS 解析失败。
❌ "重试一定能提高成功率" —— 重试风暴会压垮已不稳定的下游，雪上加霜。
❌ "加机器就能解决" —— 若是死循环/慢 SQL/代码 bug，扩容无效，先定位根因。

关联