如何快速定位现网 BUG

“幸福的家庭都是相似的，不幸的家庭却各有各的不幸”，托尔斯泰的名言。在 BUG 定位这件事情上，其实也有类似的现象：”菜鸟们的紧张无措都是相似的，老鸟们的方法却各有各的不同”。

年年过大促，年年定位现网故障。果不其然，今年 9.9 大促再次踩坑。看到组内的新手们排查问题的手足无措，也就有了这篇文档。本文的目的不在于穷举所有排查问题的手段，而在于帮助新手们避雷。

蜻蜓点水

当遇到无法轻易复现，并且缺少有用的日志辅助缺陷排查的时候，新手们的一般会选择去看代码。然而，最关键的点来了，他们并不是在真正看代码，他们只是印证自己”脑海中记忆的代码” 跟代码库里的是一致的。最常见的一个结果，就是得到一个 “代码是这样的呀、没有问题呀” 的结论。看代码过程是轻浮的，是跳跃的。

然而，计算机执行的并不是你脑海中的代码，而是实实在在的代码。计算机是严谨的、会一丝不苟的，从调用入口开始，一行不漏的逐行执行完毕，然后返回结果。任何细微的差异都有可能执行的是路径完全不同，而 BUG 就是因为走了跟预期不一样的执行路径。

看代码需要一行一行的看，一层层调用的展开。无论是自己编写的代码，还是开源仓库的代码，还是服务框架的代码，任何一行代码都不应该被跳过。

脚踏实地，而不是蜻蜓点水。

轻视数据

大型复杂的系统产生了繁多的数据。不同的团队成员看到数据（事实）之后，会加入自己对数据的判断（观点），呈现出二次加工之后的数据。最终可能得到是一份夹杂了观点和事实的数据。

当你听到蹄子声响时，你可以说听到了马蹄声，但实际上也可能是斑马蹄的声音，虽然概率很低。

同时，就会出现以下类型的数据误用：

• 不对数据数据进行汇总、分析，基于片面的数据进行假设
• 基于不可靠的数据，导致错误的假设

基于错误的、片面的数据，进行假设，最终大概率是徒劳而无功。

靠谱的使用数据的方式，应当是团队成员把相关的数据汇聚，根据业务架构形成 “马赛克调查墙”，基于 “马赛克调查墙” 确定方向，再进行假设。

轻视逻辑

很多很多人一上来就开始猜答案，基于他们认定的答案来提问，这是特别坏的一个习惯，因为这样找问题几乎就只能凭运气了。

“分治”（Divide & Conquer）是一种非常通用的解决方案。在一个多层系统中，整套系统需要多层组件共同协作完成。最好的办法通常是从系统的一端开始，逐个检查每一个组件，直到系统最底层。这样的策略非常适用于数据处理流水线。在大型系统中，逐个检查可能太慢了，可以采用对分法（bisection）将系统分为两部分，确认问题所在再重复进行。逐项排除、层层递进，才能系统的剥离出真相。

还有一个常见的逻辑误区“相关性 = 因果性”。然而，相关性并不代表因果性。比如:

统计表明，游泳死亡人数越高，冰糕卖得越多，也就是游泳死亡人数和冰糕售出量之间呈正相关性，我们可以由此得出结论说吃冰糕就会增加游泳死亡风险吗？显然不可以！这两个事件显然都仅仅是夏天到了气温升高了所导致的，吃不吃冰糕跟游泳死亡风险根本没有任何因果关系。

同理，跟 BUG 相关的异常数据，不代表数据的操作导致了 BUG。为了论证因果关系，需要更加严密的实证来说明。按照相关理论复现所有 BUG 表现的特性，且只表现这些特征。