运维人员处理服务器故障的方法总结

咱们团队为上一家公司承担运维、优化和扩展工做的时候，咱们碰到了各类不一样规模的性能不好的系统和基础设备（大型系统居多，好比CNN或者世界银行的系统）。要是再遇上修复时间紧、奇葩的技术平台、缺乏信息和文档，基本上这过程都会惨痛到让咱们留下深入的记忆。

遇到服务器故障，问题出现的缘由不多能够一下就想到。咱们基本上都会从如下步骤入手：

1、尽量搞清楚问题的来龙去脉 

不要一会儿就扎到服务器前面，你须要先搞明白对这台服务器有多少已知的状况，还有故障的具体状况。否则你极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？ 

• 故障是何时发现的？ 

• 故障是否可重现？ 

• 有没有出现的规律（好比每小时出现一次） 

• 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(已登陆的, 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? （好比Munin、Zabbix、 Nagios、 New Relic… 什么均可以） 

• 是否有日志能够查看?. （好比Loggly、Airbrake、 Graylog…） 

最后两个是最方便的信息来源，不过别抱太大但愿，基本上它们都不会有。只能再继续摸索了。

2、有谁在?

$ 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，不过最好别在其余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.）

3、以前发生了什么?

$ history

查看一下以前服务器上执行过的命令。看一下老是没错的，加上前面看的谁登陆过的信息，应该有点用。另外做为admin要注意，不要利用本身的权限去侵犯别人的隐私哦。

到这里先提醒一下，等会你可能会须要更新 HISTTIMEFORMAT 环境变量来显示这些命令被执行的时间。对要否则光看到一堆不知道啥时候执行的命令，一样会使人抓狂的。

4、如今在运行的进程是啥?

$ pstree -a
$ 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，能够看到正在运行的进程及相关用户。

5、监听的网络服务

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

我通常都分开运行这三个命令，不想一会儿看到列出一大堆全部的服务。netstat -nalp倒也能够。不过我毫不会用 numeric 选项 （鄙人一点浅薄的见解：IP 地址看起来更方便）。

找到全部正在运行的服务，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 进程列表中的是同样的。

若是服务器上有好几个Java或者Erlang什么的进程在同时运行，可以按PID分别找到每一个进程就很重要了。

一般咱们建议每台服务器上运行的服务少一点，必要时能够增长服务器。若是你看到一台服务器上有三四十个监听端口开着，那仍是作个记录，回头有空的时候清理一下，从新组织一下服务器。

6、CPU 和内存

$ free -m
$ uptime
$ top
$ htop

注意如下问题:

• 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? 

7、硬件

$ lspci
$ dmidecode
$ ethtool

有不少服务器仍是裸机状态，能够看一下：

• 找到RAID 卡 (是否带BBU备用电池?)、 CPU、空余的内存插槽。根据这些状况能够大体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? 

8、IO 性能

$ iostat -kx 2
$ vmstat 2 10
$ mpstat 2 10
$ dstat --top-io --top-bio

这些命令对于调试后端性能很是有用。

• 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 是个人最爱。用它能够看到谁在进行 IO： 是否是MySQL吃掉了全部的系统资源? 仍是你的PHP进程? 

9、挂载点 和 文件系统

$ mount
$ cat /etc/fstab
$ vgs
$ pvs
$ lvs
$ df -h
$ lsof +D / /* beware not to kill your box */

• 一共挂载了多少文件系统? 

• 有没有某个服务专用的文件系统? (好比MySQL?) 

• 文件系统的挂载选项是什么： noatime? default? 有没有文件系统被从新挂载为只读模式了？ 

• 磁盘空间是否还有剩余? 

• 是否有大文件被删除但没有清空? 

• 若是磁盘空间有问题，你是否还有空间来扩展一个分区？ 

10、内核、中断和网络

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

• 你的中断请求是不是均衡地分配给CPU处理，仍是会有某个CPU的核由于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？对于工做站来讲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作SWAP交换，否则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? 

• 在不一样状态下(TIME_WAIT, …)TCP链接时间的设置是怎样的？ 

• 若是要显示全部存在的链接，netstat 会比较慢， 你能够先用 ss 看一下整体状况。 

你还能够看一下 Linux TCP tuning 了解网络性能调优的一些要点。

11、系统日志和内核消息

$ dmesg
$ less /var/log/messages
$ less /var/log/secure
$ less /var/log/auth

• 查看错误和警告消息，好比看看是否是不少关于链接数过多致使？ 

• 看看是否有硬件错误或文件系统错误? 

• 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。 

12、定时任务

$ ls /etc/cron* + cat
$ for user in $(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？ 

十3、应用系统日志

这里边可分析的东西就多了, 不过恐怕你做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，好比在一个典型的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; 若是设定了 php-slow 日志, 直接找错误信息 (php, mysql, memcache, …)，若是没设定，赶忙设定。 

• 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，使最终用户能够直接***你的后端？ 

• HA-Proxy; 后端的情况如何？健康情况检查是否成功？是前端仍是后端的队列大小达到最大值了？ 

结论

通过这5分钟以后，你应该对以下状况比较清楚了：

• 在服务器上运行的都是些啥？ 

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

• 这个故障是否有你熟悉的一些特征？好比对数据库索引使用不当，或者太多的apache后台进程。 

你甚至有可能找到真正的故障源头。就算尚未找到，搞清楚了上面这些状况以后，你如今也具有了深挖下去的条件。继续努力吧！

原文连接：First 5 Minutes Troubleshooting A Server