題目與背景
一個 PostgreSQL 18 發布端有分析訂閱、稽核消費者和臨時回填任務。某些消費者長期離線，複製槽阻止 WAL 回收，磁碟空間快速下降。請設計 idle_replication_slot_timeout 的上線、觀測、失效和恢復方案。
面試官考察什麼
- 能否解釋複製槽為何保留 WAL，以及閒置超時何時真正生效。
- 能否區分邏輯槽、物理槽、訂閱恢復和資料重建邊界。
- 能否設計誤刪保護、告警、稽核與磁碟壓力聯動。
- 能否給出消費者恢復後的重新快照、重建或人工確認路徑。
先問清楚的澄清問題
消費者語義
每個槽對應什麼消費者？允許遺失停機期間的資料，還是必須從斷點繼續？臨時回填槽是否有明確的最大生命週期？
資源與窗口
目前 WAL 目錄剩餘空間、槽的 restart_lsn 和消費延遲是多少？多久一次 checkpoint？能否在維護窗口重建訂閱或消費者？
變更權限
誰批准自動失效？失效前是否需要消費者確認、工單或雙人審批？哪些槽必須永久保護，例如災備或合規稽核槽？
30 秒回答框架
我會先盤點每個槽的擁有者、用途、活躍狀態和 WAL 保留量，再把臨時槽與關鍵槽分級。對可重建消費者設定閒置超時，配合提前告警和保護清單；對關鍵槽只告警不自動失效。失效發生在 checkpoint 期間，因此把槽狀態、失效原因和磁碟指標寫入稽核。消費者恢復時根據資料遺失容忍度選擇繼續、重建快照或從備份恢復。
深入解答步驟
1. 解釋複製槽的保留機制
複製槽讓發布端保留消費者尚未確認所需的 WAL。邏輯槽的 restart_lsn 落後會延長 WAL 生命週期；離線消費者可能把正常磁碟增長變成不可控風險。槽治理首先要把槽名、資料庫、外掛、消費者和負責人登記清楚。
2. 設計分級策略
將槽分為關鍵、可恢復和臨時三類。關鍵槽要求人工處理和更大的容量預算；可恢復槽允許超時失效，但必須先發出告警；臨時槽在建立時記錄過期時間。保護清單應獨立於消費者提交的設定，避免應用誤把關鍵槽標成可回收。
3. 正確使用 idle timeout
PostgreSQL 18 的 idle_replication_slot_timeout 會使超過時長未被複製連線使用的槽失效；值為零表示關閉。失效在 checkpoint 時觸發，因此實際時間可能晚於閾值。這個參數只能在伺服器設定中配置，不能取代按槽的業務分級。
4. 建立觀測和告警
定期讀取 pg_replication_slots 的槽類型、資料庫、restart_lsn、active、失效原因和 failover/synced 狀態，計算 WAL 保留位元組與最老槽年齡。告警分為增長速度、磁碟餘量、閒置時長和即將失效四級，並把槽負責人和恢復 runbook 一併帶出。
5. 處理 checkpoint 與競態
超時判定在 checkpoint 執行，不能把設定閾值當作精確截止時間。消費者可能在閾值附近重新連線，因此流程要記錄最後使用時間、checkpoint 時間和最終失效原因。修改參數或刪除槽前先確認沒有並發建立同名槽、備用節點同步或正在執行的訂閱恢復。
6. 設計恢復路徑
槽失效後，消費者不能假設斷點仍可用。若業務允許遺失停機期間資料，可重新建立槽並執行初始快照；若不能遺失，則從備份或保留的 WAL 恢復，再重建訂閱。恢復記錄包括舊槽、資料邊界、快照時間和驗證結果。
7. 聯動容量與發布控制
當 WAL 目錄接近上限時，先暫停低優先級回填、限制產生 WAL 的批次工作並保護主庫可用性；不要直接刪除未知用途的槽。參數變更分階段發布，觀察 WAL 增長、checkpoint、複製延遲和消費者錯誤，再決定是否擴大或縮短超時。
高品質示例回答
我會先建立槽目錄和負責人，按關鍵、可恢復、臨時分級。對可恢復與臨時槽設定閒置超時，關鍵槽只告警；由於失效在 checkpoint 觸發，監控必須同時記錄 checkpoint 時間和實際失效原因。每日計算各槽的 WAL 保留量、閒置時長和磁碟風險，達到閾值時暫停回填並通知負責人。槽失效後按資料遺失策略選擇重新快照、備份恢復或人工批准重建，所有操作保留稽核。
常見錯誤
- 認為超時到點就立即失效，忽略 checkpoint 觸發。
- 對所有槽統一啟用短超時，誤刪災備或稽核槽。
- 只看槽是否 active，不計算
restart_lsn導致的 WAL 保留量。 - 失效後直接重連消費者，卻沒有判斷缺失資料和快照邊界。
- 磁碟快滿時刪除未知槽，破壞仍在使用的複製鏈路。
- 沒有負責人、保護清單和可執行恢復手冊。
追問與回答
idle_replication_slot_timeout 會在什麼時候生效？
槽超過設定時長未被複製連線使用後，系統會在下一次 checkpoint 期間觸發失效，因此實際時間可能有延遲。
物理槽也應該自動失效嗎？
要按災備目標決定。物理槽可能關係到備用節點恢復，不能因為統一策略就自動回收；應先確認備用節點是否已切換到其他保護機制。
如何計算一個槽占用了多少 WAL？
結合目前 WAL 位置與槽的 restart_lsn 計算保留位元組，並按槽聚合最老值、增長速度和磁碟餘量。單看 active 欄位無法反映空間風險。
消費者回來後能否繼續斷點？
只有所需 WAL 仍存在且槽未失效時才可能繼續。槽失效或 WAL 已回收後，需要重建快照、從備份恢復或接受明確的資料缺口。
如何避免臨時回填槽洩漏？
建立時寫入過期時間和負責人，設定獨立告警；超時後先進入待確認狀態，再按審批策略失效，最後驗證 WAL 是否恢復回收。