在服务器上排除问题的头五分钟

遇到服务器故障，问题出现的原因很少可以一下就想到。我们基本上都会从以下步骤入手：
一、尽可能搞清楚问题的前因后果
不要一下子就扎到服务器前面，你需要先搞明白对这台服务器有多少已知的情况，还有故障的具体情况。不然你很可能就是在无的放矢。
必须搞清楚的问题有：
故障的表现是什么？无响应？报错？故障是什么时候发现的？故障是否可重现？有没有出现的规律（比如每小时出现一次）最后一次对整个平台进行更新的内容是什么（代码、服务器等）？故障影响的特定用户群是什么样的(已登录的， 退出的， 某个地域的…)?基础架构（物理的、逻辑的）的文档是否能找到?是否有监控平台可用? （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…）
最后两个是最方便的信息来源，不过别抱太大希望，基本上它们都不会有。只能再继续摸索了。
二、有谁在?
[font=Monaco, MonacoRegular, 'Courier New', monospace]$[font=Monaco, MonacoRegular, 'Courier New', monospace] [font=Monaco, MonacoRegular, 'Courier New', monospace]w[font=Monaco, MonacoRegular, 'Courier New', monospace]$[font=Monaco, MonacoRegular, 'Courier New', monospace] [font=Monaco, MonacoRegular, 'Courier New', monospace]last
用这两个命令看看都有谁在线，有哪些用户访问过。这不是什么关键步骤，不过最好别在其他用户正干活的时候来调试系统。有道是一山不容二虎嘛。（ne cook in the kitchen is enough.）
[font=Monaco, MonacoRegular, 'Courier New', monospace]
三、之前发生了什么?
[font=Monaco, MonacoRegular, 'Courier New', monospace]$[font=Monaco, MonacoRegular, 'Courier New', monospace] [font=Monaco, MonacoRegular, 'Courier New', monospace]history
查看一下之前服务器上执行过的命令。看一下总是没错的，加上前面看的谁登录过的信息，应该有点用。另外作为 admin 要注意，不要利用自己的权限去侵犯别人的隐私哦。
到这里先提醒一下，等会你可能会需要更新 HISTTIMEFORMAT 环境变量来显示这些命令被执行的时间。对要不然光看到一堆不知道啥时候执行的命令，同样会令人抓狂的。
[font=Monaco, MonacoRegular, 'Courier New', monospace]
四、现在在运行的进程是啥?
[font=Monaco, MonacoRegular, 'Courier New', monospace]$ pstree -a
[font=Monaco, MonacoRegular, 'Courier New', monospace]$ ps aux
这都是查看现有进程的。 ps aux 的结果比较杂乱， pstree -a 的结果比较简单明了，可以看到正在运行的进程及相关用户。
[font=Monaco, MonacoRegular, 'Courier New', monospace]
五、监听的网络服务
[font=Monaco, MonacoRegular, 'Courier New', monospace]$[font=Monaco, MonacoRegular, 'Courier New', monospace] [font=Monaco, MonacoRegular, 'Courier New', monospace]netstat[font=Monaco, MonacoRegular, 'Courier New', monospace] [font=Monaco, MonacoRegular, 'Courier New', monospace]-[font=Monaco, MonacoRegular, 'Courier New', monospace]ntlp
我一般都分开运行这三个命令，不想一下子看到列出一大堆所有的服务。netstat -nalp 倒也可以。不过我绝不会用 numeric 选项 （鄙人一点浅薄的看法：IP 地址看起来更方便）。
找到所有正在运行的服务，检查它们是否应该运行。查看各个监听端口。在 netstat 显示的服务列表中的 PID 和 ps aux 进程列表中的是一样的。
如果服务器上有好几个 JAVA 或者 Erlang 什么的进程在同时运行，能够按 PID 分别找到每个进程就很重要了。
通常我们建议每台服务器上运行的服务少一点，必要时可以增加服务器。如果你看到一台服务器上有三四十个监听端口开着，那还是做个记录，回头有空的时候清理一下，重新组织一下服务器。
[font=Monaco, MonacoRegular, 'Courier New', monospace]
六、CPU 和内存
[font=Monaco, MonacoRegular, 'Courier New', monospace]$[font=Monaco, MonacoRegular, 'Courier New', monospace] [font=Monaco, MonacoRegular, 'Courier New', monospace]free[font=Monaco, MonacoRegular, 'Courier New', monospace] [font=Monaco, MonacoRegular, 'Courier New', monospace]-[font=Monaco, MonacoRegular, 'Courier New', monospace]m
[font=Monaco, MonacoRegular, 'Courier New', monospace]$ uptime
$ top
[font=Monaco, MonacoRegular, 'Courier New', monospace]$ htop
注意以下问题:
[font=Monaco, MonacoRegular, 'Courier New', monospace]
还有空余的内存吗? 服务器是否正在内存和硬盘之间进行 swap?还有剩余的 CPU 吗? 服务器是几核的? 是否有某些 CPU 核负载过多了?服务器最大的负载来自什么地方? 平均负载是多少?七、硬件
[font=Monaco, MonacoRegular, 'Courier New', monospace]$[font=Monaco, MonacoRegular, 'Courier New', monospace] [font=Monaco, MonacoRegular, 'Courier New', monospace]lspci[font=Monaco, MonacoRegular, 'Courier New', monospace]$[font=Monaco, MonacoRegular, 'Courier New', monospace] [font=Monaco, MonacoRegular, 'Courier New', monospace]dmidecode
[font=Monaco, MonacoRegular, 'Courier New', monospace]$ ethtool
有很多服务器还是裸机状态，可以看一下：
[font=Monaco, MonacoRegular, 'Courier New', monospace]
找到 RAID 卡 (是否带 BBU 备用电池?)、 CPU、空余的内存插槽。根据这些情况可以大致了解硬件问题的来源和性能改进的办法。网卡是否设置好? 是否正运行在半双工状态? 速度是 10MBps? 有没有 TX/RX 报错?八、IO 性能
[font=Monaco, MonacoRegular, 'Courier New', monospace]$[font=Monaco, MonacoRegular, 'Courier New', monospace] [font=Monaco, MonacoRegular, 'Courier New', monospace]iostat[font=Monaco, MonacoRegular, 'Courier New', monospace] [font=Monaco, MonacoRegular, 'Courier New', monospace]-[font=Monaco, MonacoRegular, 'Courier New', monospace]kx[font=Monaco, MonacoRegular, 'Courier New', monospace] [font=Monaco, MonacoRegular, 'Courier New', monospace]2
[font=Monaco, MonacoRegular, 'Courier New', monospace]$ vmstat 2 10
$ mpstat 2 10
[font=Monaco, MonacoRegular, 'Courier New', monospace]$ dstat –top-io –top-bio
这些命令对于调试后端性能非常有用。
[font=Monaco, MonacoRegular, 'Courier New', monospace]
检查磁盘使用量：服务器硬盘是否已满?是否开启了 swap 交换模式 (si/so)?CPU 被谁占用：系统进程? 用户进程? 虚拟机?dstat 是我的最爱。用它可以看到谁在进行 IO： 是不是 MySQL 吃掉了所有的系统资源? 还是你的 PHP 进程?九、挂载点和文件系统
[font=Monaco, MonacoRegular, 'Courier New', monospace]$[font=Monaco, MonacoRegular, 'Courier New', monospace] [font=Monaco, MonacoRegular, 'Courier New', monospace]mount
[font=Monaco, MonacoRegular, 'Courier New', monospace]$ cat /etc/fstab
$ vgs
[font=Monaco, MonacoRegular, 'Courier New', monospace]$ pvs
$ lvs
$ df -h
$ lsof +D / /* beware not to kill your box */
[font='Open Sans', Arial, 'Hiragino Sans GB', 'Microsoft YaHei', 微软雅黑, STHeiti, 'WenQuanYi Micro Hei', SimSun, sans-serif]一共挂载了多少文件系统?[font='Open Sans', Arial, 'Hiragino Sans GB', 'Microsoft YaHei', 微软雅黑, STHeiti, 'WenQuanYi Micro Hei', SimSun, sans-serif]有没有某个服务专用的文件系统? (比如 MySQL?)[font='Open Sans', Arial, 'Hiragino Sans GB', 'Microsoft YaHei', 微软雅黑, STHeiti, 'WenQuanYi Micro Hei', SimSun, sans-serif]文件系统的挂载选项是什么： noatime? default? 有没有文件系统被重新挂载为只读模式了？[font='Open Sans', Arial, 'Hiragino Sans GB', 'Microsoft YaHei', 微软雅黑, STHeiti, 'WenQuanYi Micro Hei', SimSun, sans-serif]磁盘空间是否还有剩余?[font='Open Sans', Arial, 'Hiragino Sans GB', 'Microsoft YaHei', 微软雅黑, STHeiti, 'WenQuanYi Micro Hei', SimSun, sans-serif]是否有大文件被删除但没有清空?[font='Open Sans', Arial, 'Hiragino Sans GB', 'Microsoft YaHei', 微软雅黑, STHeiti, 'WenQuanYi Micro Hei', SimSun, sans-serif]如果磁盘空间有问题，你是否还有空间来扩展一个分区？十、内核、中断和网络
[font=Monaco, MonacoRegular, 'Courier New', monospace]$[font=Monaco, MonacoRegular, 'Courier New', monospace] [font=Monaco, MonacoRegular, 'Courier New', monospace]sysctl[font=Monaco, MonacoRegular, 'Courier New', monospace] [font=Monaco, MonacoRegular, 'Courier New', monospace]-[font=Monaco, MonacoRegular, 'Courier New', monospace]a[font=Monaco, MonacoRegular, 'Courier New', monospace] [font=Monaco, MonacoRegular, 'Courier New', monospace]|[font=Monaco, MonacoRegular, 'Courier New', monospace] [font=Monaco, MonacoRegular, 'Courier New', monospace]grep[font=Monaco, MonacoRegular, 'Courier New', monospace] [font=Monaco, MonacoRegular, 'Courier New', monospace]…
[font=Monaco, MonacoRegular, 'Courier New', monospace]$[font=Monaco, MonacoRegular, 'Courier New', monospace] [font=Monaco, MonacoRegular, 'Courier New', monospace]cat[font=Monaco, MonacoRegular, 'Courier New', monospace] [font=Monaco, MonacoRegular, 'Courier New', monospace]/[font=Monaco, MonacoRegular, 'Courier New', monospace]proc[font=Monaco, MonacoRegular, 'Courier New', monospace]/[font=Monaco, MonacoRegular, 'Courier New', monospace]interrupts
[font=Monaco, MonacoRegular, 'Courier New', monospace]$ cat /proc/net/ip_conntrack /* may take some time on busy servers */
[font=Monaco, MonacoRegular, 'Courier New', monospace]$ netstat$ ss -s
你的中断请求是否是均衡地分配给 CPU 处理，还是会有某个 CPU 的核因为大量的网络中断请求或者 RAID 请求而过载了？SWAP 交换的设置是什么？对于工作站来说 swappinness 设为 60 就很好， 不过对于服务器就太糟了：你最好永远不要让服务器做 SWAP 交换，不然对磁盘的读写会锁死 SWAP 进程。conntrack_max 是否设的足够大，能应付你服务器的流量?在不同状态下(TIME_WAIT, …) TCP 连接时间的设置是怎样的？如果要显示所有存在的连接，netstat 会比较慢， 你可以先用 ss 看一下总体情况。你还可以看一下 Linux TCP tuning 了解网络性能调优的一些要点。
[font=Monaco, MonacoRegular, 'Courier New', monospace]
十一、系统日志和内核消息
[font=Monaco, MonacoRegular, 'Courier New', monospace]$[font=Monaco, MonacoRegular, 'Courier New', monospace] [font=Monaco, MonacoRegular, 'Courier New', monospace]dmesg
[font=Monaco, MonacoRegular, 'Courier New', monospace]$ less /var/log/messages
$ less /var/log/secure
[font=Monaco, MonacoRegular, 'Courier New', monospace]$ less /var/log/auth
[font='Open Sans', Arial, 'Hiragino Sans GB', 'Microsoft YaHei', 微软雅黑, STHeiti, 'WenQuanYi Micro Hei', SimSun, sans-serif]查看错误和警告消息，比如看看是不是很多关于连接数过多导致？[font='Open Sans', Arial, 'Hiragino Sans GB', 'Microsoft YaHei', 微软雅黑, STHeiti, 'WenQuanYi Micro Hei', SimSun, sans-serif]看看是否有硬件错误或文件系统错误?[font='Open Sans', Arial, 'Hiragino Sans GB', 'Microsoft YaHei', 微软雅黑, STHeiti, 'WenQuanYi Micro Hei', SimSun, sans-serif]分析是否能将这些错误事件和前面发现的疑点进行时间上的比对。
[font=Monaco, MonacoRegular, 'Courier New', monospace]十二、定时任务
[font=Monaco, MonacoRegular, 'Courier New', monospace]$[font=Monaco, MonacoRegular, 'Courier New', monospace] [font=Monaco, MonacoRegular, 'Courier New', monospace]ls[font=Monaco, MonacoRegular, 'Courier New', monospace] [font=Monaco, MonacoRegular, 'Courier New', monospace]/[font=Monaco, MonacoRegular, 'Courier New', monospace]etc[font=Monaco, MonacoRegular, 'Courier New', monospace]/[font=Monaco, MonacoRegular, 'Courier New', monospace]cron*[font=Monaco, MonacoRegular, 'Courier New', monospace] [font=Monaco, MonacoRegular, 'Courier New', monospace]+[font=Monaco, MonacoRegular, 'Courier New', monospace] [font=Monaco, MonacoRegular, 'Courier New', monospace]cat
[font=Monaco, MonacoRegular, 'Courier New', monospace]$ for user in
[font=Monaco, MonacoRegular, 'Courier New', monospace]$(cat /etc/passwd | cut -f1 -d:); do crontab -l -u
$user; done
是否有某个定时任务运行过于频繁?是否有些用户提交了隐藏的定时任务?在出现故障的时候，是否正好有某个备份任务在执行？十三、应用系统日志
这里边可分析的东西就多了， 不过恐怕你作为运维人员是没功夫去仔细研究它的。关注那些明显的问题，比如在一个典型的 LAMP（Linux+Apache+Mysql+Perl）应用环境里:

• Apache & Nginx; 查找访问和错误日志， 直接找 5xx 错误， 再看看是否有 limit_zone 错误。

• MySQL; 在mysql.log 找错误消息，看看有没有结构损坏的表， 是否有 innodb 修复进程在运行，是否有 disk/index/query 问题.

• PHP-FPM; 如果设定了 php-slow 日志， 直接找错误信息 (php, mysql, memcache, …)，如果没设定，赶紧设定。

• Varnish; 在varnishlog 和 varnishstat 里, 检查 hit/miss 比. 看看配置信息里是否遗漏了什么规则，使最终用户可以直接攻击你的后端？

• HA-Proxy; 后端的状况如何？健康状况检查是否成功？是前端还是后端的队列大小达到最大值了？