叶凡网络:在服务器上排除问题的头五分钟

2013-11-05 09:29:42 | 新闻来源：叶凡网络 | 点击量：513

现在也具备了深挖下去的条件。继续努力吧！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。

碰到各种不同规模的性能很差的系统和基础设备（大型系统居多，团队为上一家公司承担运维、优化和扩展工作的时候。比方CNN或者世界银行的系统）要是再赶上修复时间紧、奇葩的技术平台、缺少信息和文档，基本上这过程都会惨痛到让我留下深刻的记忆。

问题呈现的原因很少可以一下就想到基本上都会从以下方法入手：遇到服务器故障。

一、尽可能搞清楚问题的前因后果

需要先搞明白对这台服务器有多少已知的情况，不要一下子就扎到服务器前面。还有故障的具体情况。不然你很可能就是无的放矢。

必需搞清楚的问题有：

  • 故障的表示是什么？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（物理的逻辑的文档是否能找到?
  • 否有监控平台可用?比方MuninZabbixNagioNewRelic什么都可以）
  • 否有日志可以检查?.比方LoggliAirbrakGraylog

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

二、有谁在?

$ w 

  • $ last 

    有哪些用户访问过。这不是什么关键方法，用这两个命令看看都有谁在线。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。necookinthekitchenisenough.

    三、之前发生了什么?

    $ history 

    应该有点用。另外作为admin要注意，检查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。不要利用自己的权限去侵犯别人的隐私哦。

    等会你可能会需要更新 HISTTIMEFORMA T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，这里先提醒一下。同样会令人抓狂的

    四、现在运行的进程是啥?

    $ pstree -a 
  • $ ps aux 

     pstree-a 结果比较简单明了可以看到正在运行的进程及相关用户。这都是检查现有进程的 paux 结果比较杂乱。

    五、监听的网络服务

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

    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）一般都分开运行这三个命令。

    检查它否应该运行。检查各个监听端口。netstat显示的服务列表中的PID和 paux进程列表中的一样的

    能够按PID分别找到每个进程就很重要了如果服务器上有好几个Java或者Erlang什么的进程在同时运行。>

    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，通常我建议每台服务器上运行的服务少一点。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

    $ 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?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

    可以看一下：有很多服务器还是裸机状态。

    • 找到RA ID卡 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方法。
    • 网卡是否设置好?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

    $ 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?
    • 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最爱。用它可以看到谁在进行 IO不是MySQL吃掉了所有的系统资源?还是PHP进程?

    九、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?比方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?
    • 否有大文件被删除但没有清空?
    • 如果磁盘空间有问题，否还有空间来扩展一个分区？

    十、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 
    • 中断请求是否是均衡地分配给CPU处置，还是会有某个CPU核因为大量的网络中断请求或者RA ID请求而过载了
    • SWA P交换的设置是什么？对于工作站来说swappin设为 60就很好,不过对于服务器就太糟了最好永远不要让服务器做SWA P交换，不然对磁盘的读写会锁死SWA P进程。
    • conntrack_max否设的足够大，能应付你服务器的流量?
    • 不同状态下(TIME_WA IT,TCP连接时间的设置是怎样的
    • 如果要显示所有存在连接，netstat会比较慢，可以先用 ss看一下总体情况。

    还可以看一下 LinuxTCPtune解网络性能调优的一些要点。

    十一、系统日志和内核消息

    $ dmesg 
  • $ less /var/log/messages $ less /var/log/secure 
  • $ less /var/log/auth 
    • 检查错误和警告消息，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

    $ ls /etc/cron* + cat 
  • $ for user in $cat /etc/passwd | cut -f1 -d:; do crontab -l -u $user; done 
    • 否有某个定时任务运行过于频繁?
    • 否有些用户提交了隐藏的定时任务?
    • 出现故障的时候，否正好有某个备份任务在执行？

    十三、应用系统日志

    比方在一个典型的LA MPLinux+A pache+Mysql+Perl应用环境里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关注那些明显的问题。:

    • A pach&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;mysql.log找错误消息，看看有没有结构损坏的表，否有innodb修复进程在运行，否有disk/index/queri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;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后端？
    • HA -Proxy;后端的状况如何？健康状况检查是否成功？前端还是后端的队列大小达到最大值了

    结论

    应该对如下情况比较清楚了经过这5分钟之后。

    • 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apach后台进程。
    • 上一篇：叶凡网络:日本夺岛演习明显针对中国 出动全国1/8兵力 下一篇：叶凡网络：李克强：给社会一个长期稳定发展的预期