摘要：也記錄一點(diǎn)心得供各位奮斗在一線的運(yùn)維人員提供一點(diǎn)幫助遇到服務(wù)器故障，問題出現(xiàn)的原因很少可以一下就想到。在顯示的服務(wù)列表中的和進(jìn)程列表中的是一樣的。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。

我們團(tuán)隊(duì)為Ucloud云計(jì)算服務(wù)提供專家技術(shù)支持,每天都要碰到無(wú)數(shù)的用戶故障,畢竟IAAS涉及比較底層的東西,不管設(shè)計(jì)的是大客戶也好還是小客戶,有了問題就必須要解決,也要要是再趕上修復(fù)時(shí)間緊、奇葩的技術(shù)平臺(tái)、缺少信息和文檔，基本上這過程都會(huì)慘痛到讓我們留下深刻的記憶。也記錄一點(diǎn)心得供各位奮斗在一線的運(yùn)維人員提供一點(diǎn)幫助

遇到服務(wù)器故障，問題出現(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：

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）
二、有誰(shuí)在?

$ w
$ last

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

$ history

查看一下之前服務(wù)器上執(zhí)行過的命令。看一下總是沒錯(cuò)的，加上前面看的誰(shuí)登錄過的信息，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。

$ 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。

$ netstat -ntlp
$ netstat -nulp
$ netstat -nxlp

我一般都分開運(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)聽端口開著，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。

$ free -m
$ uptime
$ top
$ htop

注意以下問題:

還有空余的內(nèi)存嗎? 服務(wù)器是否正在內(nèi)存和硬盤之間進(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)載過多了?

服務(wù)器最大的負(fù)載來自什么地方? 平均負(fù)載是多少?

$ 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題的來源和性能改進(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? 有沒有 TX/RX 報(bào)錯(cuò)?

$ 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。

檢查磁盤使用量：服務(wù)器硬盤是否已滿?

是否開啟了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。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?

$ 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? 有沒有文件系統(tǒng)被重新掛載為只讀模式了？

磁盤空間是否還有剩余?

是否有大文件被刪除但沒有清空?

如果磁盤空間有問題，你是否還有空間來擴(kuò)展一個(gè)分區(qū)？

$ sysctl -a | grep ...
$ cat /proc/interrupts
$ cat /proc/net/ip_conntrack /* may take some time on busy servers */
$ netstat
$ ss -s

你的中斷請(qǐng)求是否是均衡地分配給CPU處理，還是會(huì)有某個(gè)CPU的核因?yàn)榇罅康木W(wǎng)絡(luò)中斷請(qǐng)求或者RAID請(qǐng)求而過載了？

SWAP交換的設(shè)置是什么？對(duì)于工作站來說swappinness 設(shè)為 60 就很好, 不過對(duì)于服務(wù)器就太糟了：你最好永遠(yuǎn)不要讓服務(wù)器做SWAP交換，不然對(duì)磁盤的讀寫會(huì)鎖死SWAP進(jìn)程。

conntrack_max 是否設(shè)的足夠大，能應(yīng)付你服務(wù)器的流量?

在不同狀態(tài)下(TIME_WAIT, …)TCP連接時(shí)間的設(shè)置是怎樣的？

如果要顯示所有存在的連接，netstat 會(huì)比較慢， 你可以先用 ss 看一下總體情況。

你還可以看一下 Linux TCP tuning 了解網(wǎng)絡(luò)性能調(diào)優(yōu)的一些要點(diǎn)。

$ 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)。如果你有多臺(tái)機(jī)器,看起來很不方便,可以事先把日志存儲(chǔ)在系統(tǒng)筆記的云日志服務(wù)器上,支持全文模糊查找,

$ ls /etc/cron* + cat
$ for user in $(cat /etc/passwd | cut -f1 -d:); do crontab -l -u $user; done

是否有某個(gè)定時(shí)任務(wù)運(yùn)行過于頻繁?

是否有些用戶提交了隱藏的定時(shí)任務(wù)?

在出現(xiàn)故障的時(shí)候，是否正好有某個(gè)備份任務(wù)在執(zhí)行？

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

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

這里查看了下,并沒有503的,只有403的錯(cuò)誤.所以可以跳過

MySQL; 在mysql.log找錯(cuò)誤消息，看看有沒有結(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)到最大值了？

經(jīng)過這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)故障看起來是和 IO/硬件/網(wǎng)絡(luò) 或者 系統(tǒng)配置 (有問題的代碼、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！