快速发现和定位问题的能力是快速恢复系统的基石，只有先做到快速发现和定位问题，才能谈如何解决问题，尽量减少用户损失。那么如何在复杂的大规模场景中，做到真正的先于用户发现和定位问题呢？我会将我们在管理大型 Kubernetes 集群过程中快速发现和定位问题的一些经验和实践带给大家——我们是如何通过自研通用链路探测+定向巡检工具KubeProbe应对遇到的大规模集群的稳定性挑战的。链路探测： 模拟广义用户行为，探测链路和系统是否异常定向检测： 检查集群异常指标，发现未来存在或可能存在的风险点系统增强： 发现问题提速增效，根因分析发现问题之后： 后置检查和自愈，Chat-Ops01 业务背景和挑战
