在服務器上排除問題的頭五分鐘

1、在服務器上排除問題的頭五分鐘我們團隊為上-家公司承擔運維、優(yōu)化和擴展工作的時候，我們碰到了各種不同規(guī)模的性能很差的系統(tǒng)和 基礎(chǔ)設(shè)備（大型系統(tǒng)居多，比如cnn或者世界銀行的系統(tǒng)）。要是再趕上修復時間緊、奇葩的技術(shù)平臺、 缺少信息和文檔，基木上這過程都會慘痛到讓我們留下深刻的記憶。遇到服務器故障，問題出現(xiàn)的原因很少可以一下就想到。我們基木上都會從以下步驟入手：一、盡可能搞清楚問題的前因后果不要_下子就扎到服務器前面，你需要先搞明口對這臺服務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的放矢。必須搞清楚的問題仃： 故障的表現(xiàn)是什么？無響應？報錯？ 故障是什么時候發(fā)現(xiàn)的？ 故障是否可

2、重現(xiàn)？ 有沒有出現(xiàn)的規(guī)律（比如每小時出現(xiàn)-次） 最后一次對整個平臺進行更新的內(nèi)容是什么（代碼、服務器等）？ 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 gray log-）最后兩個是最方便的信息來源，不過別抱太人希望，基木上它們都不會有。只能再繼續(xù)摸索了。二、有誰在?1.2.$ w$ last用這兩個命令看看都仃誰在線，仃哪些川戶訪問過。這不是什么關(guān)鍵步驟，不過最好別在其

3、他川戶正干活 的時候來調(diào)試系統(tǒng)。有道是一山不容二虎嘛。(ne cook in the kitchen is enough.)三、之前發(fā)生了什么？1. $ history查看一下之前服務器上執(zhí)行過的命令?？匆幌驴偸菦]錯的，加上前面看的誰登錄過的信息，應該有點川。 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。到這里先捉醒-下，等會你可能會需要更新histtimeformat環(huán)境變量來顯示這些命令被執(zhí)行的時間。對 要不然光看到一堆不知道啥時候執(zhí)行的命令，同樣會令人抓狂的。四、現(xiàn)在在運行的進程是啥？1. $ pstree -a2. $ ps aux這都是查看現(xiàn)冇進程的。ps aux

4、的結(jié)果比較雜亂，pstree -a的結(jié)果比較簡單明了，町以看到正 在運行的進程及相關(guān)用戶。五、監(jiān)聽的網(wǎng)絡服務$netstat-ntlp2$netstat-nulp3$netstat-nxlp我-般都分開運行這三個命令，不想一下子看到列出一人堆所冇的服務。netstat -nalp倒也可以。 不過我絕不會用numeric選項(鄙人-點淺薄的看法：tp地址看起來更方便)。找到所有正在運行的服務，檢查它們是否應該運行。查看各個監(jiān)聽端口。在netstat顯示的服務列表屮的 ptd利ps aux進程列表中的是一樣的。如果服務器上冇好幾個java或者erlang什么的進程在同時運行，能夠按p1d 分別找到

5、每個進程就很重要了。通常我們建議每臺服務器上運行的服務少一點，必要時可以增加服務器。如果你看到一臺服務器上有三四 i-個監(jiān)聽端口開著，那述是做個記錄，回頭有空的時候清理一下，重新組織一下服務器。六、cpu和內(nèi)存1.$free -m2$uptime3$top4$htop注意以下問題: 還冇空余的內(nèi)存嗎？服務器是否正在內(nèi)存和硬盤之間進行swap? 還冇剩余的cpu嗎？服務器是幾核的？是否冇某些cpu核負載過多了？ 服務器最人的負載來自什么地方？平均負載是多少？七、硬件冇很多服務器還是裸機狀態(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

6、換件問題的來源和性能改進的辦法。 網(wǎng)代是否設(shè)置好？是否止運行在半雙工狀態(tài)？速度是lombps?有沒有tx/rx報錯？八、10性能1.$ iostat -kx 22$ vmstat 2 103$ mpstat 2 104$ dstat -top-io -top-bio這些命令對于調(diào)試后端性能非常冇用。 檢查磁盤使用屋：服務器硬盤是否已滿？ 是否開啟了 swap交換模式（si/so）? cpu被誰占用：系統(tǒng)進程？用戶進程？虛擬機？ dstat是我的最愛。用它可以看到誰在進行10：是不是mysql吃掉了所有的系統(tǒng)資源？還是 你的php進程?九、掛載點和文件系統(tǒng)1$ mount2. $ cat /et

7、c/fstab3. $vgs4 $pvs5 $ivs6.$df -h7$ lsof +d / /一共掛載了多少文件系統(tǒng)？ 有沒有某個服務專用的文件系統(tǒng)？（比如mysql?） 文件系統(tǒng)的掛載選項是什么：noatime? default?冇沒冇文件系統(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？ beware not to kill your box */如果磁盤空間冇問題，你是否還冇空間來擴展一個分區(qū)？十、內(nèi)核.中斷和網(wǎng)絡:l$ sysctl -a | grep 2$ cat /proc/interrupts3$ cat /proc/net/ip_conntr

8、ack /是否有某個定時任務運行過于頻繁？ 是否有些用戶提交了隱藏的定時任務？ 在出現(xiàn)故障的時候，是否正好有某個備份任務在執(zhí)行？十三、應用系統(tǒng)日志這里邊可分析的東西就多了，不過恐怕你作為運維人員是沒功夫去仔細研究它的。關(guān)注那些明顯的問題， 比如在一個典型的lamp (linux+apache+mysql+perl)應用環(huán)境里: may take some time on busy servers */4$ netstat5.$ ss -s你的中斷請求是否是均衡地分配給cpu處理，還是會有某個cpu的核因為人量的網(wǎng)絡中斷請求 或者raid請求而過載了？swap交換的設(shè)置是什么？對于工作站來說sw

9、appinness設(shè)為60就很好,不過對于服務器就太 耕了：你最好永遠不耍讓服務器做swap交換，不然對磁盤的讀寫會鎖死swap進程。 conntrack_max是否設(shè)的足夠人，能應付你服務器的流凰？ 在不同狀態(tài)k(time_wait, -)tcp連接時間的設(shè)置是怎樣的？如果要顯示所有存在的連接，netstat會比較慢，你可以先川ss看-下總體情況。你述川以看一下linux tcp tuning 了解網(wǎng)絡性能調(diào)優(yōu)的一些要點。十一.系統(tǒng)日志和內(nèi)核消息1.$ dmesg2$ less /var/log/messages3$ less /var/log/secure4$ less /var/log/

10、auth查看錯誤和警告消息，比如看看是不是很多關(guān)于連接數(shù)過多導致？ 看看是否有硬件錯誤或文件系統(tǒng)錯誤？分析是否能將這此錯謀事件和前面發(fā)現(xiàn)的疑點進行時間上的比對。十二、定時任務1$ is /etc/cron* + cat2.$ for user in $ (cat /etc/passwd | cut -fl d：)； do crontab -u $user；done apache & nginx;查找訪問和錯誤口志，玄接找5xx錯誤，再看看是否冇limit_zone錯 誤。 mysql;在mysql. log找錯誤消息，看看有沒有結(jié)構(gòu)損壞的表，是否有innodb 修復進程在運行，是否冇disk/index/query問題. php-fpm;如果設(shè)定了 php-slovv日志,直接找錯誤信息(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列大小達到最大值 了？結(jié)論經(jīng)過這5分鐘z后，你應該對如下