20年架构师亲授：30分钟搞定Linux生产环境搭建

　　上线前发现那个致命问题的那一刻，我正蹲在测试机柜后面摸网线——不是查丢包，是刚发现交换机上有个口灯不亮，而那根线连着监控告警的采集节点。李工在隔壁工位吼：“你那边时间戳对得上吗？”我没应，手还卡在机柜缝隙里，指甲缝里塞着灰。用例管理工具一直在转圈，转得我多点两下都怕它崩出个404。后来知道根本不是时钟不同步，是日志落盘延迟37秒，但没人会在冒烟用例里写“等37秒再查Kibana”。

　　20年架构师亲授：30分钟搞定Linux生产环境搭建——这话我上个月还在晨会上说过，结果下午张磊就提单说Ansible跑完playbook，/etc/resolv.conf里被塞了两个DNS，其中一个指向他本地VM。我原以为是role写错了，结果扒完代码发现是CI流水线里那个“通用基础镜像”构建脚本，最后一行exec bash -c 'echo "nameserver 127.0.0.1" >> /etc/resolv.conf'压根没判断宿主机有没有systemd-resolved。谁桌上摆着三台手机，一台震，两台静音，全在收钉钉消息。那条命令写了五年，没人动过，也没人测过双DNS场景下的curl超时兜底逻辑。

　　所以“30分钟搞定”，真不是吹。真有这速度，靠的是筛——不是人筛，是线上自己筛。记不清是哪个迭代了，某次灰度放量后，用户登录慢，前端打点全绿，后端trace显示RT85%触发告警阈值”，底下还有一行小字“但DB从不报警，因它永远在87%”。会议室又被占了，门缝底下漏出半截投影仪电源线。我去年让测试同学跑过一轮兼容矩阵，CentOS 7.9 + OpenJDK 11 + Nginx 1.20，全部pass。结果一上生产，客户用Opera 12（对，就是那个带鼠标手势的古董）访问静态资源页，返回502，因为upstream配置里写的proxy_http_version 1.1，而Opera 12那个年代的HTTP/1.1实现，会偷偷在header里加个Connection: keep-alive，NGINX遇到重复connection头就直接abort——这个case没进用例，不是因为遗漏，是因为我们没人知道还有人在用Opera 12。现在它在线上活得好好的，因为只有它能复现那个bug，所以我们的NGINX配置里硬加了一行more_set_headers "Connection: ''";——没人敢删。

　　键盘上有个键按下去不回弹，是Q键，我敲grep -q的时候得用左手按住右Shift补全。外卖凉透了，塑料盒盖上结了一层油膜。上上周，测试环境部署失败三次，原因都是NTP服务没开，但所有文档里都没写这一句“systemctl start ntpd && systemctl enable ntpd”，因为它从来就不该是必选项——直到某个版本的glibc开始校验系统时钟漂移，大于0.5秒就拒绝加载.so。那个版本号？我忘了。反正不是我们主动升的，是基础镜像厂商悄悄打了patch，而我们照单全收。这种事发生过不止一次。漏测不是疏忽，是能力边界的诚实暴露：你不可能预设所有依赖链里的隐性契约，尤其当其中一环是十年前写的C库，另一环是你刚招来的应届生配的第一台JumpServer。

　　王婷昨天改了个部署脚本，把sudoers里NOPASSWD那段缩进多加了两个空格，结果整个集群的证书续签全卡在权限拒绝。她截图发群里，我说“你去check一下/etc/sudoers.d/里的文件顺序”。她回了个问号。我让她cat /etc/sudoers.d/ | grep -v "^#" | head -5，她回“哦，原来前面那个01-开头的文件覆盖了后面所有设置”。她没说话，但我猜她心里想的是：这玩意儿谁还记得要按字典序排列？可它就排了，且已经排了七年。这就是为什么我不信“一键部署”，信“三十分钟”——因为三十分钟里，至少有二十分钟你在查谁动过哪一行注释，谁删过哪条crontab，谁往/etc/hosts里追加过一个IP然后忘了同步到Ansible inventory。

　　开发与排期。上次需求评审，产品说“这个功能下周五必须上”，我插了一句“得先确认Redis哨兵模式下主从切换时连接池重建是否完整”，产品点头说好，然后转头就让前端同学把loading图标从旋转圈改成进度条——他说用户体验更明确。没有人问进度条到底在等什么。我也没再问。反正等的那个东西，迟早会在某个凌晨三点十五分，把整个系统的命脉捏在手里，然后松开。就像你现在手边那杯咖啡，凉了，但没洒。这就够了。

文章配图，仅供参考

（编辑：站长网）

【声明】本站内容均来自网络，其相关言论仅代表作者个人观点，不代表本站立场。若无意侵犯到您的权利，请及时与联系站长删除相关内容!