文章內(nèi)容

莫慌！處理云服務(wù)器故障的十三大步驟奉上！

發(fā)布時(shí)間: 2015/8/26 16:34:53

一、盡可能搞清楚問(wèn)題的前因后果

不要一下子就扎到服務(wù)器前面，你需要先搞明白對(duì)這臺(tái)服務(wù)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(wú)的放矢。

必須搞清楚的問(wèn)題有：

故障的表現(xiàn)是什么?無(wú)響應(yīng)?報(bào)錯(cuò)?

故障是什么時(shí)候發(fā)現(xiàn)的?

故障是否可重現(xiàn)?

有沒(méi)有出現(xiàn)的規(guī)律(比如每小時(shí)出現(xiàn)一次)

最后一次對(duì)整個(gè)平臺(tái)進(jìn)行更新的內(nèi)容是什么(代碼、服務(wù)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(gè)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(tái)可用?

是否有日志可以查看?

最后兩個(gè)是最方便的信息來(lái)源，特別是日志系統(tǒng),作為運(yùn)維人員要善于和擅長(zhǎng)查看日志,日志往往是你在沒(méi)有頭緒的時(shí)候給你最大的幫助,其實(shí)很多問(wèn)題都在日志系統(tǒng)中暴露出來(lái),比較方便的是使用系統(tǒng)筆記

二、有誰(shuí)在?

1.$w

2.$last

用這兩個(gè)命令看看都有誰(shuí)在線，有哪些用戶訪問(wèn)過(guò)。這不是什么關(guān)鍵步驟，不過(guò)最好別在其他用戶正干活的時(shí)候來(lái)調(diào)試系統(tǒng)。有道是一山不容二虎嘛。

三、之前發(fā)生了什么?

1.$history

查看一下之前服務(wù)器上執(zhí)行過(guò)的命令。看一下總是沒(méi)錯(cuò)的，加上前面看的誰(shuí)登錄過(guò)的信息，應(yīng)該有點(diǎn)用。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。

到這里先提醒一下，等會(huì)你可能會(huì)需要更新HISTTIMEFORMAT環(huán)境變量來(lái)顯示這些命令被執(zhí)行的時(shí)間。對(duì)要不然光看到一堆不知道啥時(shí)候執(zhí)行的命令，同樣會(huì)令人抓狂的。

四、現(xiàn)在在運(yùn)行的進(jìn)程是啥?

1.$pstree-a

2.$psaux

這都是查看現(xiàn)有進(jìn)程的。psaux的結(jié)果比較雜亂，pstree-a的結(jié)果比較簡(jiǎn)單明了，可以看到正在運(yùn)行的進(jìn)程及相關(guān)用戶。

五、監(jiān)聽的網(wǎng)絡(luò)服務(wù)

1.$netstat-ntlp

2.$netstat-nulp

3.$netstat-nxlp

我一般都分開運(yùn)行這三個(gè)命令，不想一下子看到列出一大堆所有的服務(wù)。netstat-nalp倒也可以。不過(guò)我絕不會(huì)用numeric選項(xiàng)。

找到所有正在運(yùn)行的服務(wù)，檢查它們是否應(yīng)該運(yùn)行。查看各個(gè)監(jiān)聽端口。在netstat顯示的服務(wù)列表中的PID和psaux進(jìn)程列表中的是一樣的。

如果服務(wù)器上有好幾個(gè)Java或者Erlang什么的進(jìn)程在同時(shí)運(yùn)行，能夠按PID分別找到每個(gè)進(jìn)程就很重要了。

通常我們建議每臺(tái)服務(wù)器上運(yùn)行的服務(wù)少一點(diǎn)，必要時(shí)可以增加服務(wù)器。如果你看到一臺(tái)服務(wù)器上有三四十個(gè)監(jiān)聽端口開著，那還是做個(gè)記錄，回頭有空的時(shí)候清理一下，重新組織一下服務(wù)器。

六、CPU和內(nèi)存

1.$free-m

2.$uptime

3.$top

4.$htop

注意以下問(wèn)題:

還有空余的內(nèi)存嗎?服務(wù)器是否正在內(nèi)存和硬盤之間進(jìn)行swap?

還有剩余的CPU嗎?服務(wù)器是幾核的?是否有某些CPU核負(fù)載過(guò)多了?

服務(wù)器最大的負(fù)載來(lái)自什么地方?平均負(fù)載是多少?

七、硬件

1.$lspci

2.$dmidecode

3.$ethtool

有很多服務(wù)器還是裸機(jī)狀態(tài)，可以看一下：

找到RAID卡、CPU、空余的內(nèi)存插槽。根據(jù)這些情況可以大致了解硬件問(wèn)題的來(lái)源和性能改進(jìn)的辦法。

網(wǎng)卡是否設(shè)置好?是否正運(yùn)行在半雙工狀態(tài)?速度是10MBps?有沒(méi)有TX/RX報(bào)錯(cuò)?

八、IO性能

1.$iostat-kx2

2.$vmstat210

3.$mpstat210

4.$dstat--top-io--top-bio

這些命令對(duì)于調(diào)試后端性能非常有用。

檢查磁盤使用量：服務(wù)器硬盤是否已滿?

是否開啟了swap交換模式(si/so)?

CPU被誰(shuí)占用：系統(tǒng)進(jìn)程?用戶進(jìn)程?虛擬機(jī)?

dstat是我的最愛。用它可以看到誰(shuí)在進(jìn)行IO：是不是MySQL吃掉了所有的系統(tǒng)資源?還是你的PHP進(jìn)程?

九、掛載點(diǎn)和文件系統(tǒng)

1.$mount

2.$cat/etc/fstab

3.$vgs

4.$pvs

5.$lvs

6.$df-h

7.$lsof+D//*bewarenottokillyourbox*/

一共掛載了多少文件系統(tǒng)?

有沒(méi)有某個(gè)服務(wù)專用的文件系統(tǒng)?(比如MySQL?)

文件系統(tǒng)的掛載選項(xiàng)是什么：noatime?default?有沒(méi)有文件系統(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(méi)有清空?

如果磁盤空間有問(wèn)題，你是否還有空間來(lái)擴(kuò)展一個(gè)分區(qū)?

十、內(nèi)核、中斷和網(wǎng)絡(luò)

1.$sysctl-a|grep...

2.$cat/proc/interrupts

3.$cat/proc/net/ip_conntrack/*maytakesometimeonbusyservers*/

4.$netstat

5.$ss-s

你的中斷請(qǐng)求是否是均衡地分配給CPU處理，還是會(huì)有某個(gè)CPU的核因?yàn)榇罅康木W(wǎng)絡(luò)中斷請(qǐng)求或者RAID請(qǐng)求而過(guò)載了?

SWAP交換的設(shè)置是什么?對(duì)于工作站來(lái)說(shuō)swappinness設(shè)為60就很好,不過(guò)對(duì)于服務(wù)器就太糟了：你最好永遠(yuǎn)不要讓服務(wù)器做SWAP交換，不然對(duì)磁盤的讀寫會(huì)鎖死SWAP進(jìn)程。

conntrack_max是否設(shè)的足夠大，能應(yīng)付你服務(wù)器的流量?

在不同狀態(tài)下(TIME_WAIT,…)TCP連接時(shí)間的設(shè)置是怎樣的?

如果要顯示所有存在的連接，netstat會(huì)比較慢，你可以先用ss看一下總體情況。

你還可以看一下LinuxTCPtuning了解網(wǎng)絡(luò)性能調(diào)優(yōu)的一些要點(diǎn)。

十一、系統(tǒng)日志和內(nèi)核消息

1.$dmesg

2.$less/var/log/messages

3.$less/var/log/secure

4.$less/var/log/auth

查看錯(cuò)誤和警告消息，比如看看是不是很多關(guān)于連接數(shù)過(guò)多導(dǎo)致?

看看是否有硬件錯(cuò)誤或文件系統(tǒng)錯(cuò)誤?

分析是否能將這些錯(cuò)誤事件和前面發(fā)現(xiàn)的疑點(diǎn)進(jìn)行時(shí)間上的比對(duì)。如果你有多臺(tái)機(jī)器,看起來(lái)很不方便,可以事先把日志存儲(chǔ)在系統(tǒng)筆記的云日志服務(wù)器上,支持全文模糊查找,

十二、定時(shí)任務(wù)

1.$ls/etc/cron*+cat

2.$foruserin$(cat/etc/passwd|cut-f1-d:);docrontab-l-u$user;done

是否有某個(gè)定時(shí)任務(wù)運(yùn)行過(guò)于頻繁?

是否有些用戶提交了隱藏的定時(shí)任務(wù)?

在出現(xiàn)故障的時(shí)候，是否正好有某個(gè)備份任務(wù)在執(zhí)行?

十三、應(yīng)用系統(tǒng)日志

這里邊可分析的東西就多了,不過(guò)恐怕你作為運(yùn)維人員是沒(méi)功夫去仔細(xì)研究它的。關(guān)注那些明顯的問(wèn)題，比如在一個(gè)典型的LAMP(Linux+Apache+Mysql+Perl)應(yīng)用環(huán)境里:

Apache&Nginx;查找訪問(wèn)和錯(cuò)誤日志,直接找5xx錯(cuò)誤,再看看是否有l(wèi)imit_zone錯(cuò)誤。

這里查看了下,并沒(méi)有503的,只有403的錯(cuò)誤.所以可以跳過(guò)

MySQL;在mysql.log找錯(cuò)誤消息，看看有沒(méi)有結(jié)構(gòu)損壞的表，是否有innodb修復(fù)進(jìn)程在運(yùn)行，是否有disk/index/query問(wèn)題.

PHP-FPM;如果設(shè)定了php-slow日志,直接找錯(cuò)誤信息(php,mysql,memcache,…)，如果沒(méi)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(duì)列大小達(dá)到最大值了?

結(jié)論

經(jīng)過(guò)這5分鐘之后，你應(yīng)該對(duì)如下情況比較清楚了：

在服務(wù)器上運(yùn)行的都是些啥?

這個(gè)故障看起來(lái)是和IO/硬件/網(wǎng)絡(luò)或者系統(tǒng)配置(有問(wèn)題的代碼、系統(tǒng)內(nèi)核調(diào)優(yōu),…)相關(guān)。

這個(gè)故障是否有你熟悉的一些特征?比如對(duì)數(shù)據(jù)庫(kù)索引使用不當(dāng)，或者太多的apache后臺(tái)進(jìn)程。

你甚至有可能找到真正的故障源頭。就算還沒(méi)有找到，搞清楚了上面這些情況之后,你現(xiàn)在也具備了深挖下去的條件。繼續(xù)努力吧!

服務(wù)器租用/服務(wù)器托管中國(guó)五強(qiáng)！虛擬主機(jī)域名注冊(cè)頂級(jí)提供商！15年品質(zhì)保障！--億恩科技[ENKJ.COM]

上一篇 >> 數(shù)據(jù)中心管理七種武器
下一篇 >> 戴爾發(fā)布桌面即服務(wù)(DaaS)云平臺(tái)

服務(wù)器租用

服務(wù)器托管

機(jī)柜批發(fā)

云服務(wù)器

建站俠

空間/域名

安全保姆

幫助類別

幫助中心