生产服务器运维原则

要解决什么问题

线上服务一旦挂掉或资源耗尽，排查往往变成「记命令、猜原因」的碎片操作。本技能把生产运维里反复出现的决策收敛成可对照的原则：用什么管进程、监控什么、日志怎么留、该不该扩容、健康检查做到哪一层、出事先看什么。

技能如何组织内容

进程管理：按场景选工具——Node.js 用 PM2，通用 Linux 用 systemd，容器用 Docker/Podman，编排用 Kubernetes 等；目标包括崩溃自动重启、零停机重载、集群利用多核、重启后仍自启。

监控与告警：覆盖可用性、性能、错误、资源四类指标；告警按 Critical / Warning / Info 区分响应节奏；工具从 PM2/htop 到 Grafana、Sentry、UptimeRobot 等按需求选型。

日志：区分应用、访问、错误日志；强调轮转防满盘、结构化 JSON、合理级别、避免敏感信息。

扩展与健康：CPU/内存/响应慢/流量突增对应垂直、水平或自动扩展；健康检查从简单 HTTP 200 到依赖与资源深度检查，需匹配负载均衡要求。

安全与排障：SSH 密钥、最小端口、补丁、密钥走环境变量；故障顺序为进程 → 日志 → 资源 → 网络 → 依赖。文末列出 root 运行、无监控、无备份等反模式。

适用边界

这是原则与选型框架，不是某一家云或发行版的逐步操作手册；具体 unit 文件、K8s manifest、告警阈值需结合你的栈自行落地。