2022年04月09日
云计算场景下的大规模分布式系统中，网络异常、磁盘IO异常、时钟跳变、操作系统异常乃至软件本身可能存在bugs等，均给分布式系统正确运行带来了挑战。持续的监控报警完善是打造稳定高可用分布式系统过程中非常重要的工作，这个也就要求我们研发同学从细节处入手，本文将介绍的场景是针对线上报警的一丝异常，抽丝剥茧找到内存泄露的root cause，全程48小时，跟进修复了潜在风险隐患，并进一步丰富完善监控报警体系的过程。
1、问题初现
该风险隐患在2019年10月下旬某天开始浮现，不到24小时的时间里，值