服务器急救

遇到服务器故障，出现问题的原因很少能一目了然。raksmart基本上都会从以下步骤入手：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： [font="]

[size=font-size:12.0pt,12.0pt] [list=disc]

故障的表现是什么？无响应？报错？[font="]

故障是什么时候发现的？[font="]

故障是否可重现？[font="]

有没有出现的规律（比如每小时出现一次）[font="]

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）？[font="]

故障影响的特定用户群是什么样的[font="](已登录的[font="], 退出的[font="], 某个地域的[font="]…)?

基础架构（物理的、逻辑的）的文档是否能找到[font="]?

是否有监控平台可用[font="]?[font="] （比如[font="]Munin, Zabbix, Nagios[font="] 什么都可以）[font="]

是否有日志可以查看[font="]?[font="]. （比如[font="]Loggly, Airbrake, Graylog…）[font="]

[font="]

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。 [font="]
[font="]1 ，有谁在 [font="]? [font="]
$ w$ 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。 [font="]
之前发生了什么 [font="]? [font="]
$ 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 [font="]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 [font="] 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会令人抓狂的。 [font="]
[font="]2 ，现在在运行的进程是啥 [font="]? [font="]
$ pstree -a$ ps aux 这都是查看现有进程的。 [font="] ps aux 的结果比较杂乱， [font="] 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="]
[font="]3 ，监听的网络服务 [font="]
$ netstat -ntlp$ netstat -nulp$ netstat -nxlp 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。 [font="]netstat -nalp 倒也可以。不过我绝不会用 [font="] numeric 选项 [font="] ( 鄙人一点浅薄的看法： [font="]IP 地址看起来更方便 [font="]) 。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 [font="]netstat 显示的服务列表中的 [font="]PID 和 [font="]ps aux 进程列表中的是一样的。如果服务器上有好几个 [font="]Java 或者 [font="]Erlang 什么的进程在同时运行，能够按 [font="]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="]
[font="]4 ， [font="]CPU 和内存 [font="]
$ free -m$ uptime$ top$ htop 注意以下问题 [font="]: [font="]

[size=font-size:12.0pt,12.0pt] [list=disc]

还有空余的内存吗[font="]? 服务器是否正在内存和硬盘之间进行[font="]swap?

还有剩余的[font="]CPU吗[font="]? 服务器是几核的[font="]? 是否有某些[font="]CPU核负载过多了[font="]?

服务器最大的负载来自什么地方[font="]? 平均负载是多少[font="]?

[font="]

5 ，硬件 [font="]
$ lspci$ dmidecode$ ethtool 有很多服务器还是裸机状态，可以看一下： [font="]

[size=font-size:12.0pt,12.0pt] [list=disc]

找到[font="]RAID卡[font="] (是否带[font="]BBU备用电池[font="]?), 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。[font="]

网卡是否设置好[font="]? 是否正运行在半双工状态[font="]? 速度是[font="]10MBps? 有没有[font="] TX/RX 报错[font="]?

[font="]

6 ， [font="]IO 性能 [font="]
$ iostat -kx 2$ vmstat 210$ mpstat 210$ dstat--top-io --top-bio 这些命令对于调试后端性能非常有用。 [font="]

[size=font-size:12.0pt,12.0pt] [list=disc]

检查磁盘使用量[font="]: 服务器硬盘是否已满[font="]?

是否开启了[font="]swap交换模式[font="](si/so)?

[font="]CPU被谁占用[font="]: 系统进程[font="]? 用户进程[font="]? 虚拟机[font="]?

[font="]dstat是我的最爱。用它可以看到谁在进行[font="] IO：[font="] 是不是[font="]MySQL吃掉了所有的系统资源[font="]? 还是你的[font="]PHP进程[font="]?

[font="]

7 ，挂载点 [font="] 和 [font="] 文件系统 [font="]
$ mount$ cat /etc/fstab$ vgs$ pvs$ lvs$ df -h$lsof +D //* beware not to kill your box */

[size=font-size:12.0pt,12.0pt] [list=disc]

一共挂载了多少文件系统[font="]?

有没有某个服务专用的文件系统[font="]?(比如[font="]MySQL?)

文件系统的挂载选项是什么[font="]:noatime? default? 有没有文件系统被重新挂载为只读模式了？[font="]

磁盘空间是否还有剩余[font="]?

是否有大文件被删除但没有清空[font="]?

如果磁盘空间有问题，你是否还有空间来扩展一个分区？[font="]

[font="]
8 ，内核，中断和网络 [font="]
$ sysctl -a | grep ...$ cat /proc/interrupts$cat /proc/net/ip_conntrack /* may take some time on busy servers */$ netstat$ss -s

[size=font-size:12.0pt,12.0pt] [list=disc]

你的中断请求是否是均衡地分配给[font="]CPU处理，还是会有某个[font="]CPU的核因为大量的网络中断请求或者[font="]RAID请求而过载了？[font="]

[font="]SWAP交换的设置是什么？对于工作站来说[font="]swappinness 设为[font="] 60 就很好[font="], 不过对于服务器就太糟了：你最好永远不要让服务器做[font="]SWAP交换，不然对磁盘的读写会锁死[font="]SWAP进程。[font="]

[font="]conntrack_max是否设的足够大，能应付你服务器的流量[font="]?

在不同状态下[font="](TIME_WAIT,…)TCP连接时间的设置是怎样的？[font="]

如果要显示所有存在的连接，[font="]netstat会比较慢，[font="] 你可以先用[font="]ss 看一下总体情况。[font="]

[font="]

你还可以看一下 [font="] [font="]Linux TCP tuning [font="] 了解网络性能调优的一些要点。 [font="]
[font="]9 系统日志和内核消息 [font="]
$ dmesg$ less /var/log/messages$ less/var/log/secure$ less /var/log/auth

[size=font-size:12.0pt,12.0pt] [list=disc]

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="]

看看是否有硬件错误或文件系统错误[font="]?

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="]

[font="]

10 定时任务 [font="]
$ ls /etc/cron*+ cat$ for user in $(cat/etc/passwd | cut -f1 -d[size=font-size:12.0pt,12.0pt] [font="];do crontab -l -u $user;done [font="]

[size=font-size:12.0pt,12.0pt] [list=disc]

是否有某个定时任务运行过于频繁[font="]?

是否有些用户提交了隐藏的定时任务[font="]?

在出现故障的时候，是否正好有某个备份任务在执行？[font="]

[font="]

11 应用系统日志 [font="]
这里边可分析的东西就多了 [font="], 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 [font="]LAMP （ [font="]Linux+Apache+Mysql+Perl ）应用环境里 [font="]: [font="]

[size=font-size:12.0pt,12.0pt] [list=disc]

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

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

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

[font="]Varnish[font="]; 在[font="]varnishlog 和[font="] varnishstat 里[font="], 检查[font="] hit/miss比[font="]. 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？[font="]

[font="]HA-Proxy[font="]; 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？[font="]

[font="]

12 结论： [font="]
经过以上检查后，你应该对如下情况比较清楚了： [font="]

[size=font-size:12.0pt,12.0pt] [list=disc]

在服务器上运行的都是些啥？[font="]

这个故障看起来是和[font="]IO/硬件[font="]/网络[font="] 或者[font="] 系统配置[font="] (有问题的代码[font="], 系统内核调优[font="],…)相关。[font="]

这个故障是否有你熟悉的一些特征？比如对数据库索引使用不当，或者太多的[font="]apache后台进程。[font="]

你甚至有可能找到真正的故障源头。就算还没有找到，搞清楚了上面这些情况之后，你现在也具备了深挖下去的条件。继续努力吧！