摘要：我們基本上都會(huì)從以下步驟入手，這些也是絕大多數(shù)運(yùn)維工程師在定位故障時(shí)前幾分鐘的主要排查點(diǎn)一盡可能搞清楚問(wèn)題的前因后果不要一下子就扎到服務(wù)器前面，你需要先搞明白對(duì)這臺(tái)服務(wù)器有多少已知的情況，還有故障的具體情況。

遇到服務(wù)器故障，問(wèn)題出現(xiàn)的原因很少可以一下就想到。我們基本上都會(huì)從以下步驟入手，這些也是絕大多數(shù)運(yùn)維工程師在定位故障時(shí)前幾分鐘的主要排查點(diǎn)：

一、盡可能搞清楚問(wèn)題的前因后果

不要一下子就扎到服務(wù)器前面，你需要先搞明白對(duì)這臺(tái)服務(wù)器有多少已知的情況，還有故障的具體情況。不然你很可能就是在無(wú)的放矢。

必須搞清楚的問(wèn)題有：

故障的表現(xiàn)是什么？無(wú)響應(yīng)？報(bào)錯(cuò)？

故障是什么時(shí)候發(fā)現(xiàn)的？

故障是否可重現(xiàn)？

有沒(méi)有出現(xiàn)的規(guī)律（比如每小時(shí)出現(xiàn)一次）

最后一次對(duì)整個(gè)平臺(tái)進(jìn)行更新的內(nèi)容是什么（代碼、服務(wù)器等）？

故障影響的特定用戶群是什么樣的(已登錄的, 退出的, 某個(gè)地域的…)?

基礎(chǔ)架構(gòu)（物理的、邏輯的）的文檔是否能找到?

是否有監(jiān)控平臺(tái)可用? （比如Munin、Zabbix、 Nagios、 New Relic… 什么都可以）

是否有日志可以查看?. （比如Loggly、Airbrake、 Graylog…）

最后兩個(gè)是最方便的信息來(lái)源，不過(guò)別抱太大希望，基本上它們都不會(huì)有。只能再繼續(xù)摸索了。

二、有誰(shuí)在?

$ w

$ last

用這兩個(gè)命令看看都有誰(shuí)在線，有哪些用戶訪問(wèn)過(guò)。這不是什么關(guān)鍵步驟，不過(guò)較好別在其他用戶正干活的時(shí)候來(lái)調(diào)試系統(tǒng)。有道是一山不容二虎嘛。（ne cook in the kitchen is enough.）

三、之前發(fā)生了什么?

$ history

查看一下之前服務(wù)器上執(zhí)行過(guò)的命令?？匆幌驴偸菦](méi)錯(cuò)的，加上前面看的誰(shuí)登錄過(guò)的信息，應(yīng)該有點(diǎn)用。另外作為admin要注意，不要利用自己的權(quán)限去侵犯別人的隱私哦。

到這里先提醒一下，等會(huì)你可能會(huì)需要更新 HISTTIMEFORMAT 環(huán)境變量來(lái)顯示這些命令被執(zhí)行的時(shí)間。對(duì)要不然光看到一堆不知道啥時(shí)候執(zhí)行的命令，同樣會(huì)令人抓狂的。

四、現(xiàn)在在運(yùn)行的進(jìn)程是啥?

$ pstree -a

$ ps aux

這都是查看現(xiàn)有進(jìn)程的。 ps aux 的結(jié)果比較雜亂， pstree -a 的結(jié)果比較簡(jiǎn)單明了，可以看到正在運(yùn)行的進(jìn)程及相關(guān)用戶。

五、監(jiān)聽(tīng)的網(wǎng)絡(luò)服務(wù)

$ netstat -ntlp

$ netstat -nulp

$ netstat -nxlp

我一般都分開(kāi)運(yùn)行這三個(gè)命令，不想一下子看到列出一大堆所有的服務(wù)。netstat -nalp倒也可以。不過(guò)我絕不會(huì)用 numeric 選項(xiàng) （鄙人一點(diǎn)淺薄的看法：IP 地址看起來(lái)更方便）。

找到所有正在運(yùn)行的服務(wù)，檢查它們是否應(yīng)該運(yùn)行。查看各個(gè)監(jiān)聽(tīng)端口。在netstat顯示的服務(wù)列表中的PID 和 ps aux 進(jìn)程列表中的是一樣的。

如果服務(wù)器上有好幾個(gè)Java或者Erlang什么的進(jìn)程在同時(shí)運(yùn)行，能夠按PID分別找到每個(gè)進(jìn)程就很重要了。

通常我們建議每臺(tái)服務(wù)器上運(yùn)行的服務(wù)少一點(diǎn)，必要時(shí)可以增加服務(wù)器。如果你看到一臺(tái)服務(wù)器上有三四十個(gè)監(jiān)聽(tīng)端口開(kāi)著，那還是做個(gè)記錄，回頭有空的時(shí)候清理一下，重新組織一下服務(wù)器。

六、CPU 和內(nèi)存

$ free -m

$ uptime

$ top

$ htop

注意以下問(wèn)題:

還有空余的內(nèi)存嗎? 服務(wù)器是否正在內(nèi)存和硬盤(pán)之間進(jìn)行swap?

還有剩余的CPU嗎? 服務(wù)器是幾核的? 是否有某些CPU核負(fù)載過(guò)多了?

服務(wù)器較大的負(fù)載來(lái)自什么地方? 平均負(fù)載是多少?

?

七、硬件

$ lspci

$ dmidecode

$ ethtool

有很多服務(wù)器還是裸機(jī)狀態(tài)，可以看一下：

找到RAID 卡 (是否帶BBU備用電池?)、 CPU、空余的內(nèi)存插槽。根據(jù)這些情況可以大致了解硬件問(wèn)題的來(lái)源和性能改進(jìn)的辦法。

網(wǎng)卡是否設(shè)置好? 是否正運(yùn)行在半雙工狀態(tài)? 速度是10MBps? 有沒(méi)有 TX/RX 報(bào)錯(cuò)?

?

八、IO 性能

$ iostat -kx 2

$ vmstat 2 10

$ mpstat 2 10

$ dstat --top-io --top-bio

這些命令對(duì)于調(diào)試后端性能非常有用。

檢查磁盤(pán)使用量：服務(wù)器硬盤(pán)是否已滿?

是否開(kāi)啟了swap交換模式 (si/so)?

CPU被誰(shuí)占用：系統(tǒng)進(jìn)程? 用戶進(jìn)程? 虛擬機(jī)?

dstat 是我的最愛(ài)。用它可以看到誰(shuí)在進(jìn)行 IO： 是不是MySQL吃掉了所有的系統(tǒng)資源? 還是你的PHP進(jìn)程?

?

九、掛載點(diǎn) 和 文件系統(tǒng)

$ mount

$ cat /etc/fstab

$ vgs

$ pvs

$ lvs

$ df -h

$ lsof +D / /* beware not to kill your box */

一共掛載了多少文件系統(tǒng)?

有沒(méi)有某個(gè)服務(wù)專用的文件系統(tǒng)? (比如MySQL?)

文件系統(tǒng)的掛載選項(xiàng)是什么： noatime? default? 有沒(méi)有文件系統(tǒng)被重新掛載為只讀模式了？

磁盤(pán)空間是否還有剩余?

是否有大文件被刪除但沒(méi)有清空?

如果磁盤(pán)空間有問(wèn)題，你是否還有空間來(lái)擴(kuò)展一個(gè)分區(qū)？

?

十、系統(tǒng)日志和內(nèi)核消息

$ dmesg

$ less /var/log/messages

$ less /var/log/secure

$ less /var/log/auth

查看錯(cuò)誤和警告消息，比如看看是不是很多關(guān)于連接數(shù)過(guò)多導(dǎo)致？

看看是否有硬件錯(cuò)誤或文件系統(tǒng)錯(cuò)誤?

分析是否能將這些錯(cuò)誤事件和前面發(fā)現(xiàn)的疑點(diǎn)進(jìn)行時(shí)間上的比對(duì)。

?

十一、應(yīng)用系統(tǒng)日志

這里邊可分析的東西就多了, 不過(guò)恐怕你作為運(yùn)維人員是沒(méi)功夫去仔細(xì)研究它的。關(guān)注那些明顯的問(wèn)題，比如在一個(gè)典型的LAMP（Linux+Apache+Mysql+Perl）應(yīng)用環(huán)境里:

Apache & Nginx; 查找訪問(wèn)和錯(cuò)誤日志, 直接找 5xx 錯(cuò)誤, 再看看是否有 limit_zone錯(cuò)誤。

MySQL; 在mysql.log找錯(cuò)誤消息，看看有沒(méi)有結(jié)構(gòu)損壞的表， 是否有innodb修復(fù)進(jìn)程在運(yùn)行，是否有disk/index/query 問(wèn)題.

PHP-FPM; 如果設(shè)定了 php-slow 日志, 直接找錯(cuò)誤信息 (php, mysql, memcache, …)，如果沒(méi)設(shè)定，趕緊設(shè)定。

Varnish; 在varnishlog 和 varnishstat 里, 檢查 hit/miss比. 看看配置信息里是否遺漏了什么規(guī)則，使最終用戶可以直接攻擊你的后端？

HA-Proxy; 后端的狀況如何？健康狀況檢查是否成功？是前端還是后端的隊(duì)列大小達(dá)到較大值了？

結(jié)論

經(jīng)過(guò)這5分鐘之后，你應(yīng)該對(duì)如下情況比較清楚了：

在服務(wù)器上運(yùn)行的都是些啥？

這個(gè)故障看起來(lái)是和 IO/硬件/網(wǎng)絡(luò) 或者 系統(tǒng)配置 (有問(wèn)題的代碼、系統(tǒng)內(nèi)核調(diào)優(yōu), …)相關(guān)。

這個(gè)故障是否有你熟悉的一些特征？比如對(duì)數(shù)據(jù)庫(kù)索引使用不當(dāng)，或者太多的apache后臺(tái)進(jìn)程。

?

你甚至有可能找到真正的故障源頭。就算還沒(méi)有找到，搞清楚了上面這些情況之后，你現(xiàn)在也具備了深挖下去的條件，繼續(xù)努力吧！

聲明：文章收集于網(wǎng)絡(luò)，如有侵權(quán)，請(qǐng)聯(lián)系小編及時(shí)處理，謝謝！

軟件開(kāi)發(fā)技術(shù)群

興趣范圍包括：Java，C/C++，Python，PHP，Ruby，shell等各種語(yǔ)言開(kāi)發(fā)經(jīng)驗(yàn)交流，各種框架使用，外包項(xiàng)目機(jī)會(huì)，學(xué)習(xí)、培訓(xùn)、跳槽等交流

QQ群：26931708

Hadoop源代碼研究群

興趣范圍包括：Hadoop源代碼解讀，改進(jìn)，優(yōu)化，分布式系統(tǒng)場(chǎng)景定制，與Hadoop有關(guān)的各種開(kāi)源項(xiàng)目，總之就是玩轉(zhuǎn)Hadoop

QQ群：288410967?