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!