美文网首页
在服务器上排除问题的头五分钟

在服务器上排除问题的头五分钟

作者: 也然君 | 来源:发表于2017-04-22 16:15 被阅读10次

    一、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:
    故障的表现是什么?无响应?报错?
    故障是什么时候发现的?
    故障是否可重现?
    有没有出现的规律(比如每小时出现一次)
    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(已登录的, 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? (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、 Graylog…)

    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。

    debuggerdebugger

    二、有谁在?
    1
    2

    $ 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。(ne cook in the kitchen is enough.)

    三、之前发生了什么?
    1

    $
    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 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,同样会令人抓狂的。

    四、现在在运行的进程是啥?
    1
    2

    $ 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,可以看到正在运行的进程及相关用户。

    五、监听的网络服务
    1
    2
    3

    $
    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。netstat -nalp倒也可以。不过我绝不会用
    numeric
    选项 (鄙人一点浅薄的看法:IP 地址看起来更方便)。
    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netstat显示的服务列表中的PID 和 ps aux 进程列表中的是一样的。

    如果服务器上有好几个Java或者Erlang什么的进程在同时运行,能够按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。

    六、CPU 和内存
    1
    2
    3
    4

    $
    free
    -m

    $ uptime

    $
    top

    $ htop

    注意以下问题:
    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?

    七、硬件
    1
    2
    3

    $ lspci

    $ dmidecode

    $
    ethtool

    有很多服务器还是裸机状态,可以看一下:
    找到RAID 卡 (是否带BBU备用电池?)、 CPU、空余的内存插槽。根据这些情况可以大致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?

    八、IO 性能
    1
    2
    3
    4

    $ 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非常有用。
    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
    是我的最爱。用它可以看到谁在进行 IO: 是不是MySQL吃掉了所有的系统资源? 还是你的PHP进程?

    九、挂载点 和 文件系统
    1
    2
    3
    4
    5
    6
    7

    $
    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? (比如MySQL?)
    文件系统的挂载选项是什么: noatime? default? 有没有文件系统被重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?
    如果磁盘空间有问题,你是否还有空间来扩展一个分区?

    十、内核、中断和网络
    1
    2
    3
    4
    5

    $ sysctl -a |
    grep
    ...

    $
    cat
    /proc/interrupts

    $
    cat
    /proc/net/ip_conntrack
    /* may take some
    time
    on busy servers */

    $
    netstat

    $ ss -s

    你的中断请求是否是均衡地分配给CPU处理,还是会有某个CPU的核因为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?对于工作站来说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做SWAP交换,不然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?
    在不同状态下(TIME_WAIT
    , …)TCP连接时间的设置是怎样的?
    如果要显示所有存在的连接,netstat
    会比较慢, 你可以先用 ss
    看一下总体情况。

    你还可以看一下 Linux TCP tuning 了解网络性能调优的一些要点。

    十一、系统日志和内核消息
    1
    2
    3
    4

    $ dmesg

    $
    less
    /var/log/messages

    $
    less
    /var/log/secure

    $
    less
    /var/log/auth

    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?
    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。

    十二、定时任务
    1
    2

    $
    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?

    十三、应用系统日志
    这里边可分析的东西就多了, 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; 如果设定了 php-slow 日志, 直接找错误信息 (php, mysql, memcache, …),如果没设定,赶紧设定。
    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,使最终用户可以直接攻击你的后端?
    HA-Proxy; 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?

    结论
    经过这5分钟之后,你应该对如下情况比较清楚了:
    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?比如对数据库索引使用不当,或者太多的apache后台进程。

    相关文章

      网友评论

          本文标题:在服务器上排除问题的头五分钟

          本文链接:https://www.haomeiwen.com/subject/gppszttx.html