排查bug的通用思路

⭐️前言⭐️

APP点击某个按钮没有反应/PC端执行某个操作后，响应较慢，通用的问题排查方法:

从多个角度来排查问题

🍉欢迎点赞 👍 收藏 ⭐留言评论

🍉博主将持续更新学习记录收获，友友们有任何问题可以在评论区留言

🍉博客中涉及源码及博主日常练习代码均已上传GitHub

---

🍅综合排查流程

网络请求和响应的检查

• 使用浏览器开发者工具F12，关注点击按钮后，捕获到的请求的方式（GET/POST）、请求头和请求体是否符合预期
• 查看服务器的响应，检查响应状态码（如200成功、500服务器错误）以及返回的数据内容，确保响应数据符合预期

分离端复现问题

• 前端单独测试：可以在浏览器中将开发者工具的网络连接调为“离线模式”来测试前端逻辑。模拟前端点击操作，查看是否存在接口调用。如果前端逻辑应该在无网络时拦截，但未拦截，说明前端存在问题。
• 后端单独测试：通过工具（比如postman）模拟前端发起API请求，查看后端接口的响应是否符合预期。确保后端在接受到正确的请求时，返回符合业务逻辑的响应

分析慢点

• 定位慢点：可以通过浏览器控制台抓请求或者记录时间戳的方式，分析延迟主要出现在前端、网络还是后端

  • 可以在前端和后端的关键节点记录时间错，通过时间戳的对比定位慢点

• 分段日志埋点：在后端的关键逻辑处添加日志记录耗时（比如业务处理开始、结束，数据库查询开始、结束）

  • 使用System.currentTimeMillis()记录时间差，快速找到耗时长的部分

分阶段排查

• 前端慢：关注请求发出前后的逻辑
• 网络慢：检查网络传输与中间层
• 后端慢：逐层检查应用层、数据库和其他依赖服务

协同调试

• 将发现的问题详细记录，包括问题的复现步骤、请求和响应的具体内容、错误日志等，反馈到前后端团队。
• 组织线上调试会议，前后端、测试共同协作，通过共享日志、实时调试来定位问题的根源。

---

🍅前端角度

1.请求问题：

• 网络延迟：浏览器F12控制台看请求，检查前端到后端的网络路径是否正常，有无高延迟或丢包现象。
• 请求参数问题：确认发送的请求是否携带了过大的数据，或者请求的参数不符合接口要求，导致后端处理异常
• 重复请求：检查前端代码是否因逻辑问题导致发送了重复或无意义的请求
• 请求超时配置：检查前端是否配置了过长的超时时间，未能及时识别问题

2.静态资源问题：

• 如果时静态资源请求慢，可能时前端资源服务器的CDN缓存未命中或者配置问题。

🍅网络层角度

• 网络延迟：
  • 网络带宽不足或延迟过高，特别是服务与数据库、缓存服务分布在不同区域时。
  • 数据包丢失或网络不稳定，导致重试或请求失败。
• DNS解析延迟：
  • 服务调用中依赖的域名解析慢，影响请求的实际发出时间。
• 链路复杂：
  • 多层代理（如网关、负载均衡）导致请求经过多个中间环节，增加响应时间。

🍅后端应用层

• 业务逻辑复杂：
  • 业务代码中嵌套调用过多、逻辑判断繁琐，导致请求处理耗时。
  • 不必要的循环或递归操作，特别是处理大规模数据时未优化算法。
• 代码优化不足：
  • 代码中存在未优化的阻塞操作（如线程等待、同步锁竞争）。
  • 不合理的数据结构选择（如线性搜索代替哈希表）。
• 第三方接口调用慢：
  • 调用外部服务（如支付接口、第三方API）时出现网络延迟或接口响应慢。
  • 第三方服务限流或超时未处理，导致阻塞。
• 异常处理问题：
  • 异常处理逻辑不完善，导致未捕获异常不断重试或抛出。
• 缓存问题：
  • 缓存未命中：
    • 请求频率高但未利用缓存优化
    • 热数据未加载到缓存，直接从数据库读取数据
  • 缓存击穿、雪崩或穿透：
    • 高并发时，缓存过期或被大量无效请求穿透
    • 缓存层压力过大，导致失效或阻塞
  • 缓存更新策略问题：
    • 缓存未及时更新，导致大量请求命中无效数据并触发数据库查询
• 队列与任务调度问题：
  • 消息队列积压：
    • 消息队列（如RabbitMQ、Kafka）中消费速度低于生产速度，导致请求延迟
    • 消费者线程数量不足或处理能力有限
  • 任务调度延迟：
    • 定时任务频繁触发，导致线程资源耗尽
    • 分布式任务调度系统负载不均或出现故障

🍅数据层

1.索引问题

• 未建立索引：
  • 查询字段没有建立索引，导致数据库全表扫描
• 索引未命中：
  • 查询条件不符合索引最左前缀原则，联合索引被部分利用
  • 查询使用了LIKE '%xxx' 或函数计算等导致索引失效
• 索引过多或过大：
  • 索引数量过多增加了维护成本
  • 大量索引需要更新时，写操作性能降低

2.数据量问题

• 表数据量过大：
  • 数据量超过百万行时，查询性能显著下降
  • 热点数据和冷数据混合，影响查询效率
• 分页查询耗时:
  • 大偏移量分页（比如OFFSET 100000）导致性能问题，数据库依然扫描了大量无用数据
• 历史数据未归档：
  • 查询需要扫描包含历史数据的大表

3.SQL语句问题

• 复杂查询：
  • 查询包含多表关联（JOIN），特别是数据量大的表之间的连接
  • 使用子查询（IN或NOT IN），导致数据库多长查询结果集
• 缺乏限制条件：
  • 未使用LIMIT或条件过滤，导致返回大量无关数据
• 排序和聚合操作：
  • ORDER BY和GROUP BY操作未基于索引，导致全表扫描和排序

4.数据库资源问题

• 连接池不足：
  • 数据库连接池耗尽，导致等待队列增加
• 锁等待：
  • 并发事务导致锁竞争，如行锁、表锁等待时间过长
  • 死锁问题导致查询阻塞
• 缓存失败：
  • 查询未命中数据库缓存，必须从磁盘读取数据

5.表结构问题

• 表设计不合理：
  • 表字段过多，查询返回冗余数据
  • 数据库规范化设计过度，导致频繁的JOIN
• 分区表未充分利用：
  • 查询条件未命中分区键，导致扫描所有分区

---

优化建议

• 索引优化：设计合理的索引，避免索引失效
• 分库分表：将大表拆分为小表，减少数据量
• 慢查询优化：启用慢查询日志，针对耗时SQL进行调优
• 读写分离：通过主从架构分担查询压力
• 缓存使用：引入Redis、Memcached等缓存层，减少数据库访问
• 事务管理：缩短事务时间，避免长时间锁竞争

🍅系统资源问题

1. CPU过载
   • 高并发导致CPU使用率过高，线程池处理能力不足。
   • 复杂计算任务（如加密解密、文件处理）占用大量CPU资源。
2. 内存不足
   • 服务内存泄漏或内存溢出，导致频繁GC（垃圾回收）。
   • 使用不合理的数据结构，占用大量内存空间。
3. 磁盘I/O瓶颈
   • 日志写入、文件读写过于频繁，磁盘I/O压力过大。
   • SSD或HDD性能不足，影响数据存取效率。

🍅 配置与架构问题

1. 线程池配置不合理
   • 线程池大小不足，导致请求堆积。
   • 超大线程池导致上下文切换成本过高。
2. 服务架构问题
   • 单体架构无法承受高并发，导致瓶颈。
   • 微服务之间调用链过长，服务依赖环节过多。
3. 负载均衡策略问题
   • 负载均衡未配置健康检查，流量分发到异常实例。
   • 负载分配不均，部分节点过载。

🍅优化建议

• 代码层优化：梳理业务逻辑，优化算法与数据结构，移除阻塞代码。

• 数据库优化：索引设计、缓存策略、分库分表、历史数据归档。

• 缓存与队列优化：合理使用缓存，优化队列消费逻辑，监控积压情况。

• 架构优化：通过服务拆分、负载均衡、水平扩展等手段提升服务能力。

• 监控与诊断：通过监控工具或者监控埋点，识别瓶颈，优化慢点。

🍅通用的一些解决手段

• 清除应用缓存，重新登录
• 检查输入是否合理，比如大模型的prompt是否符合要求
• APP可以检查版本是否最新、是否在维护期间

---

⭐️最后的话⭐️
总结不易，希望uu们不要吝啬你们的👍哟(＾Ｕ＾)ノ~ＹＯ！！如有问题，欢迎评论区批评指正😁