在分布式系统中，一个服务的缓慢或故障很少局限在自身。一次简单的超时可能触发反复重试，重试消耗线程池资源，线程池耗尽又导致上游请求排队，最终引发级联崩溃。这类系统性故障——级联故障、重试风暴、超时不匹配——是微服务架构中的“隐形杀手”，它们没有单一异常堆栈，却能将局部抖动放大为全站宕机。本文将基于线程转储、分布式追踪和指标监控，展示如何诊断这些模式，并给出设计层面的预防建议。级联故障：线程池耗尽与锁等待级联故障的典型表现是上游服务线程池耗尽。假设支付服务（Payment）因数据库慢查询导致响应时间从 20ms 飙升至 2s，此时调用支付服务的订单服务（Order）会保持 HTTP 连接等待响应。如果订单服务的线程池大小为 200，2 秒内新请求持续涌入，线程池迅速被占满，后续请求要么排队要么直接拒绝。更糟糕的是，订单服务本身又调用库存服务（Inventory），因线程池已满，库存请求也被阻塞——故障从支付服务向上游一层层传播。通过线程转储诊断当线程池耗尽时，线程转储（Thread Dump）会显示大量线程处于WAITING（park）或TIMED_WAITING状态，等待某个锁或连接。例如："http-nio-8080-exec-123" #123 daemon prio=5 os_prio=0 tid=0x00007f1234000 nid=0x2a4b waiting for monitor entry [0x00007f122fbfe000] java.lang.Thread.State: BLOCKED (on object monitor) at org.apache.tomcat.util.net.SocketWrapperBase.waitForSending(SocketWrapperBase.java:136) - waiting to lock 0x000000076e7a9a10 (a org.apache.tomcat.util.net.NioEndpoi