Linux 服务器故障排除的前五分钟 (First 5 Minutes Troubleshooting A Linux Server)

出自 http://freeloda.blog.51cto.com/2033581/1346789

1、前言

2、简介

3、具体过程

• 尽量搞清楚问题的来龙去脉

• 有谁在？

• 以前发生了什么？

• 如今在运行的进程是啥？

• 监听的网络服务

• CPU和内存使用状况

• 查看硬件

• I/O 性能

• 挂载点和文件系统

• 内核、中断和网络

• 系统日志和内核消息

• 任务计划

• 查看具体应用的系统日志

4、总结

注，测试环境：操做系统 CentOS 6.4 x86_64。

1、前言

原文连接：http://devo.ps/blog/2013/03/06/troubleshooting-5minutes-on-a-yet-unknown-box.html。

初版翻译者：@老码农的自留地

注，此文章在原文章的基础上加入一些内容（修改与测试）。

2、简介

Back when our team was dealing with operations, optimization and scalability at our previous company, we had our fair share of troubleshooting poorly performing applications and infrastructures of various sizes, often large (think CNN or the World Bank). Tight deadlines, “exotic” technical stacks and lack of information usually made for memorable experiences.

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。

3、具体过程

遇到服务器故障，问题出现的缘由不多能够一下就能找到。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。否则你很难搞清楚问题出在什么地方，

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。下面咱们继续……

2.有谁在？

  [root@node1 ~]# w
  [root@node1 ~]# 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。嘿嘿！

3.以前发生了什么？

1    [root@node1 ~]# 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。命令以下，

1    [root@node1 ~]# export HISTTIMEFORMAT='%F %T '

这样再次用history命令查看就会显示命令执行的时间。

4.如今在运行的进程是啥？

12    [root@node1 ~]# pstree –a
      [root@node1 ~]# 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。其实这两个工具通常好用，htop这个工具比较好用，前提是你的机器上已安装好htop工具。有兴趣的朋友能够去用一下，哈哈！

5.监听的网络服务

[root@node1 ~]# netstat -ntlp （查看tcp端口）
[root@node1 ~]# netstat -nulp（查看udp端口）
[root@node1 ~]# netstat -nxlp （查看unix）

我 通常都分开运行这三个命令，不想一会儿，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和内存使用状况

[root@node1 ~]# free -m
[root@node1 ~]# uptime
[root@node1 ~]# top
[root@node1 ~]# 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.查看硬件

[root@node1 ~]# dmidecode | more
[root@node1 ~]# ethtool eth0

RAID卡、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.I/O 性能

 [root@node1 ~]# iostat -kx 2
[root@node1 ~]# vmstat 2 10
[root@node1 ~]# mpstat 2 10
[root@node1 ~]# 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

 [root@node1 ~]# mount
 [root@node1 ~]# cat /etc/fstab
 [root@node1 ~]# vgs
 [root@node1 ~]# pvs
 [root@node1 ~]# lvs
 [root@node1 ~]# df –h
 [root@node1 ~]# lsof +D /

经过上面的命令咱们能够获得如下信息，

• 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

 [root@node1 ~]# sysctl -a | grep *
 [root@node1 ~]# cat /proc/interrupts
 [root@node1 ~]# cat /proc/net/ip_conntrack
 [root@node1 ~]# netstat -an
 [root@node1 ~]# 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

[root@node1 ~]# dmesg
[root@node1 ~]# less /var/log/messages
[root@node1 ~]# less /var/log/secure
[root@node1 ~]# less /var/log/auth

经过上面的命令咱们会获得如下信息，

• 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.任务计划

 [root@node1 ~]# 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？

13.查看具体应用的系统日志

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+PHP）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？

4、总结

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！

最后，但愿你们有所收获吧^_^……