面灵AI→

同程旅行 AIOps 一面:TCP 与 QUIC、Pingmesh 丢包定位与止损闭环

轮次
一面
时间
2026-11
来源
牛客网

《面试题目》

背景与岗位匹配

  1. 请先做个自我介绍,包括之前做过的案例和项目。
  2. 投递简历时是否是看到有岗位就海投?你的经历与网络自动化、AIOps 岗位的重合度似乎不高,为什么想做这个方向?
  3. 我们团队主要做网络架构与网络运维工具开发,并非直接负责 Kafka、Redis 等业务中间件的运维;如果后续需要深入学习底层网络通信与数通设备原理,你对这一块还有兴趣去钻研吗?

实习与项目

  1. 实习期间具体做了哪些项目?你的工作内容与本次面试岗位的重合度体现在哪里?
  2. 详细讲一下简历中广告平台性能优化的案例:最初做这项优化的契机是什么?是自己主动发现瓶颈,还是上级分配的指标任务?
  3. 具体是如何实施这项优化的?优化过程中遇到了哪些技术痛点或难点,有哪些值得分享的工程细节?

网络基础

  1. 之前是否接触过网络或运维方向的经验?对网络自动化、AIOps 这一领域有哪些个人的理解、能力储备与看法?
  2. 学校期间学过计算机网络基础,对现有的网络架构和各层技术栈协议有哪些了解?
  3. 简单说一下 TCP 和 UDP 的核心区别,以及基于 UDP 实现防丢包与可靠传输的机制,例如 QUIC、报头校验?
  4. 对传统的数通网络架构(如数据中心三层、四层网络拓扑、交换机转发机制)是否有过了解?

故障排查与应急止损

  1. 当线上突发网络故障(如切流异常、链路闪断)时,如何利用过往经验或自动化工具进行快速止损与故障排查?请分享整体思路。
  2. 结合全网网络质量监测打点(如 Pingmesh),如果检测到某个节点出现丢包,从网络运维开发的角度,如何帮助一线运维人员快速定位丢包根因?
  3. 当发现丢包并初步定位到具体端口或设备异常后,完整的应急止损(隔离或 Down 掉异常端口)、联动一线人员处理、业务指标验证、故障分级(影响面评估)以及自动回滚或人工兜底的闭环流程应该是怎样的?

公司与反问

  1. 对我们公司(同程旅行)有什么了解?
  2. 你这边有什么问题想要问我的?

《参考解析》

岗位不匹配要正面回应而不是回避:面试官的质疑本身是压力测试,回答分三步:承认差异、给出可迁移的能力、说明补齐路径。可迁移的部分包括可观测性建设(指标、日志、链路追踪)、性能优化与容量评估、自动化脚本与工具开发、以及把 AI 用在排障与运营上的经验;差异部分明确说清愿意补网络方向的基础,并给出具体动作(读 CCNA 级别的教材、抓包分析现网流量、从监控与探测工具入手参与)。比起强调「我学习能力强」,说明已经在做什么更有说服力。

TCP 与 UDP 的差别及 QUIC 的可靠传输:TCP 面向连接、提供可靠有序的字节流、自带流量控制与拥塞控制(慢启动、拥塞避免、快重传、快恢复),代价是握手与队头阻塞;UDP 无连接、不保证顺序与到达,开销小、时延低,适合实时音视频与游戏。QUIC 在 UDP 之上用用户态实现可靠传输:每个包有独立包号,ACK 机制可以精确判断丢包并只重传丢失帧,多个流各自独立,避免 TCP 的跨流队头阻塞;加密与传输合并,基于 TLS 1.3 支持 1-RTT 甚至 0-RTT 建连,连接迁移用 connection ID 保持会话不因 IP 变化而中断;拥塞控制可以在用户态替换。所谓防丢包并不是让丢包不发生,而是快速检测与恢复:重传、前向纠错、以及应用层的冗余与自适应码率。

数通架构与交换机转发:传统数据中心是核心、汇聚、接入三层,收敛比与东西向流量是主要矛盾;现代大规模数据中心多用 spine-leaf 两层架构,每台 leaf 全互联到所有 spine,任意两台服务器之间跳数固定,配合 ECMP 做多路径负载均衡。交换机转发依赖 MAC 地址表(二层)与路由表加 FIB(三层),芯片用 TCAM 做 ACL 与最长前缀匹配,VLAN 隔离广播域,VXLAN 在 underlay 之上做 overlay 以突破 VLAN 数量限制。排查时要区分是转发面(硬件表项、hash 不均、链路聚合配置)还是控制面(路由震荡、BGP 邻居、STP 收敛)的问题。

Pingmesh 定位丢包根因:Pingmesh 的思路是在全网机器之间建立探测矩阵,按周期互相发包,采集 RTT 与丢包率,形成源、目的、时间的三维数据。定位时先看异常是否成簇:同一源到所有目的都丢,问题在源主机或其接入链路;所有源到同一目的都丢,问题在目的侧;同一交换机下的机器互相丢,问题在交换机或上联;同一对机架之间丢,问题在骨干链路或光模块。再叠加设备计数器(端口 CRC 错误、discard、光功率、队列丢包)与路由、ECMP hash 结果,判断是链路质量、端口故障、拥塞还是转发路径不一致。工程上要把探测数据与拓扑、变更记录关联起来,才能从「哪里丢」推到「为什么丢」。

应急止损的闭环:第一步确认与定级,用探测与业务 SLI 判断影响面(多少用户、多少订单、是否核心链路),确定故障等级并拉起对应响应;第二步止血优先于定位根因,常用手段是切流、摘除异常节点、Down 掉异常端口、回滚最近的变更、限流降级,每一步都要有回滚方案;第三步联动,把现象、已执行动作、影响面同步给一线与业务方,避免重复操作;第四步验证,切流后看业务指标是否恢复、探测是否收敛,而不是只看告警消失;第五步复盘,补齐监控盲区、把这次的人工操作沉淀成带审批与熔断的自动化脚本。自动化止损必须有边界:影响面预估、二次确认、执行后自动校验,否则误操作会把单点故障放大成全局故障。

性能优化案例要讲成因果链:契机(谁发现、指标异常到什么程度)、定位(火焰图、pprof、慢查询日志、压测对比,如何排除干扰因素)、方案(缓存、批处理、并发模型、索引与 SQL 改写,以及为什么选这个方案)、收益(P99 延迟、CPU 使用率、成本,给出优化前后的对照)、副作用(一致性、内存占用、运维复杂度)。面试官追问「哪些是纯手动、哪些用了 AI」时,如实拆分:数据采集与图表分析可以交给工具,假设提出与方案取舍仍要人判断。