轉載地址:點擊打開鏈接
我們團隊爲上一家公司承擔運維、優化和擴展工作的時候,我們碰到了各種不同規模的性能很差的系統和基礎設備(大型系統居多,比如CNN或者世界銀行的系統)。要是再趕上修復時間緊、奇葩的技術平臺、缺少信息和文檔,基本上這過程都會慘痛到讓我們留下深刻的記憶。
遇到服務器故障,問題出現的原因很少可以一下就想到。我們基本上都會從以下步驟入手:
一、儘可能搞清楚問題的前因後果
不要一下子就扎到服務器前面,你需要先搞明白對這臺服務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的放矢。
必須搞清楚的問題有:
- 故障的表現是什麼?無響應?報錯?
- 故障是什麼時候發現的?
- 故障是否可重現?
- 有沒有出現的規律(比如每小時出現一次)
- 最後一次對整個平臺進行更新的內容是什麼(代碼、服務器等)?
- 故障影響的特定用戶羣是什麼樣的(已登錄的, 退出的, 某個地域的…)?
- 基礎架構(物理的、邏輯的)的文檔是否能找到?
- 是否有監控平臺可用? (比如Munin、Zabbix、 Nagios、 New Relic… 什麼都可以)
- 是否有日誌可以查看?. (比如Loggly、Airbrake、 Graylog…)
最後兩個是最方便的信息來源,不過別抱太大希望,基本上它們都不會有。只能再繼續摸索了。
二、有誰在?
1
2
|
$ w $ last |
用這兩個命令看看都有誰在線,有哪些用戶訪問過。這不是什麼關鍵步驟,不過最好別在其他用戶正幹活的時候來調試系統。有道是一山不容二虎嘛。(ne cook in the kitchen is enough.)
三、之前發生了什麼?
1
|
$ history |
查看一下之前服務器上執行過的命令。看一下總是沒錯的,加上前面看的誰登錄過的信息,應該有點用。另外作爲admin要注意,不要利用自己的權限去侵犯別人的隱私哦。
到這裏先提醒一下,等會你可能會需要更新 HISTTIMEFORMAT
環境變量來顯示這些命令被執行的時間。對要不然光看到一堆不知道啥時候執行的命令,同樣會令人抓狂的。
四、現在在運行的進程是啥?
1
2
|
$ pstree -a $ ps
aux |
這都是查看現有進程的。 ps aux
的結果比較雜亂, pstree -a
的結果比較簡單明瞭,可以看到正在運行的進程及相關用戶。
五、監聽的網絡服務
1
2
3
|
$ netstat
-ntlp $ netstat
-nulp $ netstat
-nxlp |
我一般都分開運行這三個命令,不想一下子看到列出一大堆所有的服務。netstat -nalp倒也可以。不過我絕不會用
numeric
選項 (鄙人一點淺薄的看法:IP 地址看起來更方便)。
找到所有正在運行的服務,檢查它們是否應該運行。查看各個監聽端口。在netstat顯示的服務列表中的PID 和 ps aux 進程列表中的是一樣的。
如果服務器上有好幾個Java或者Erlang什麼的進程在同時運行,能夠按PID分別找到每個進程就很重要了。
通常我們建議每臺服務器上運行的服務少一點,必要時可以增加服務器。如果你看到一臺服務器上有三四十個監聽端口開着,那還是做個記錄,回頭有空的時候清理一下,重新組織一下服務器。
六、CPU 和內存
1
2
3
4
|
$ free
-m $ uptime $ top $ htop |
注意以下問題:
- 還有空餘的內存嗎? 服務器是否正在內存和硬盤之間進行swap?
- 還有剩餘的CPU嗎? 服務器是幾核的? 是否有某些CPU核負載過多了?
- 服務器最大的負載來自什麼地方? 平均負載是多少?
七、硬件
1
2
3
|
$ lspci $ dmidecode $ ethtool |
有很多服務器還是裸機狀態,可以看一下:
- 找到RAID 卡 (是否帶BBU備用電池?)、 CPU、空餘的內存插槽。根據這些情況可以大致瞭解硬件問題的來源和性能改進的辦法。
- 網卡是否設置好? 是否正運行在半雙工狀態? 速度是10MBps? 有沒有 TX/RX 報錯?
八、IO 性能
1
2
3
4
|
$ iostat -kx 2 $ vmstat 2 10 $ mpstat 2 10 $ dstat -- top -io -- top -bio |
這些命令對於調試後端性能非常有用。
- 檢查磁盤使用量:服務器硬盤是否已滿?
- 是否開啓了swap交換模式 (si/so)?
- CPU被誰佔用:系統進程? 用戶進程? 虛擬機?
dstat
是我的最愛。用它可以看到誰在進行 IO: 是不是MySQL吃掉了所有的系統資源? 還是你的PHP進程?
九、掛載點 和 文件系統
1
2
3
4
5
6
7
|
$ mount $ cat
/etc/fstab $ vgs $ pvs $ lvs $ df
-h $ lsof
+D / /* beware not to kill
your box */ |
- 一共掛載了多少文件系統?
- 有沒有某個服務專用的文件系統? (比如MySQL?)
- 文件系統的掛載選項是什麼: noatime? default? 有沒有文件系統被重新掛載爲只讀模式了?
- 磁盤空間是否還有剩餘?
- 是否有大文件被刪除但沒有清空?
- 如果磁盤空間有問題,你是否還有空間來擴展一個分區?
十、內核、中斷和網絡
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 |
- 你的中斷請求是否是均衡地分配給CPU處理,還是會有某個CPU的核因爲大量的網絡中斷請求或者RAID請求而過載了?
- SWAP交換的設置是什麼?對於工作站來說swappinness 設爲 60 就很好, 不過對於服務器就太糟了:你最好永遠不要讓服務器做SWAP交換,不然對磁盤的讀寫會鎖死SWAP進程。
conntrack_max
是否設的足夠大,能應付你服務器的流量?- 在不同狀態下(
TIME_WAIT
, …)TCP連接時間的設置是怎樣的? 如果要顯示所有存在的連接,netstat
會比較慢, 你可以先用ss
看一下總體情況。
你還可以看一下 Linux TCP tuning 瞭解網絡性能調優的一些要點。
十一、系統日誌和內核消息
1
2
3
4
|
$ dmesg $ less
/var/log/messages $ less
/var/log/secure $ less
/var/log/auth |
- 查看錯誤和警告消息,比如看看是不是很多關於連接數過多導致?
- 看看是否有硬件錯誤或文件系統錯誤?
- 分析是否能將這些錯誤事件和前面發現的疑點進行時間上的比對。
十二、定時任務
1
2
|
$ ls
/etc/cron * + cat $ for
user in
$( cat /etc/passwd
| cut
-f1 -d:); do
crontab -l -u $user; done |
- 是否有某個定時任務運行過於頻繁?
- 是否有些用戶提交了隱藏的定時任務?
- 在出現故障的時候,是否正好有某個備份任務在執行?
十三、應用系統日誌
這裏邊可分析的東西就多了, 不過恐怕你作爲運維人員是沒功夫去仔細研究它的。關注那些明顯的問題,比如在一個典型的LAMP(Linux+Apache+Mysql+Perl)應用環境裏:
- Apache & Nginx; 查找訪問和錯誤日誌, 直接找
5xx
錯誤, 再看看是否有limit_zone
錯誤。 - MySQL; 在
mysql.log找錯誤消息,看看有沒有結構損壞的表,
是否有innodb修復進程在運行,是否有disk/index/query 問題. - PHP-FPM; 如果設定了 php-slow 日誌, 直接找錯誤信息 (php, mysql, memcache, …),如果沒設定,趕緊設定。
- Varnish;
在
varnishlog
和varnishstat 裏
, 檢查 hit/miss比. 看看配置信息裏是否遺漏了什麼規則,使最終用戶可以直接攻擊你的後端? - HA-Proxy; 後端的狀況如何?健康狀況檢查是否成功?是前端還是後端的隊列大小達到最大值了?
結論
經過這5分鐘之後,你應該對如下情況比較清楚了:
- 在服務器上運行的都是些啥?
- 這個故障看起來是和 IO/硬件/網絡 或者 系統配置 (有問題的代碼、系統內核調優, …)相關。
- 這個故障是否有你熟悉的一些特徵?比如對數據庫索引使用不當,或者太多的apache後臺進程。
你甚至有可能找到真正的故障源頭。就算還沒有找到,搞清楚了上面這些情況之後,你現在也具備了深挖下去的條件。繼續努力吧!