宕机排查最容易犯的错，是第一时间冲上去重启。机器一重启，现场就没了，根因往往查不出来，下次还会再犯。合理的顺序是三步：先定边界，看是一台、一批还是全部；再保现场，把日志、监控、时间点都留住；最后才分流处理，业务优先的走切流和重建，根因优先的才允许慢慢查。这篇按这条线走，也给一套按...

备份这件事最容易出问题的地方，往往不在技术，而在于几句听起来没问题的自我安慰：“我有快照”“备份任务显示成功”“云上有副本，跑不了”。快照和业务数据常常落在同一存储上，会跟着实例一起消失；没做过恢复演练的成功，只是日志上的成功；高可用同步的是错误，不是正确。这篇先把这三句话拆掉，...

云上多花的钱，通常有三种情况：长期低负载的闲置、峰谷差大却按峰值付费、以及架构本身造成的重复开销。省钱的第一步是把这些浪费看得见，用百分位而不是平均值看监控，按项目打标签分摊成本，砍配置反而该往后放。第二步才是弹性伸缩，它有几个前提：应用无状态、指标选对、冷启动有预案、缩容要保守...