运维人员处置服务器故障的要领总结
我们团队为上一家企业负担运维、优化和扩展工作的时候，我们遇到了各种不一样规模的机能很差的系统和根基设施（大型系统居多，比方CNN或者天下银行的系统）。如果再遇上修复工夫紧、奇葩的技术平台、短少信息和文档，根本上这历程都会惨痛到让我们留下深刻的记忆。
碰到服务器故障，题目涌现的缘由很少可以一下就想到。我们根本上都会从下列步骤入手：
一、尽可能搞分明题目的前因后果
不要一下子就扎到服务器前面，你需要先搞明确对这台服务器有多少已知的状况，还有故障的具体状况。不然你很可能就是在无的放矢。
必须搞分明的题目有：
故障的体现是什么？无相应？报错？
故障是什么时候发明的？
故障是否可重现？
有没有涌现的纪律（比方每小时涌现一次）
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）？
故障影响的特定会员群是什么样的(已登录的, 退出的, 某个地域的…)?
根基架构（物理的、逻辑的）的文档是否能找到?
是否有监控平台可用? （比方Munin、Zabbix、 Nagios、 New Relic… 什么都可以）
是否有日志可以查看?. （比方Loggly、Airbrake、 Graylog…）
最后两个是最利便的信息来源，不过别抱太大但愿，根本上它们都不会有。只能再继续探索了。
二、有谁在?
$ w
$ last
用这两个下令看看都有谁在线，有哪些会员访问过。这不是什么要害步骤，不过最佳别在其他会员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、以前产生了什么?
$ history查看一下以前服务器上施行过的下令。看一下总是没错的，加上前面看的谁登录过的信息，应当有点用。另外作为admin要注意，不要应用本人的权限去侵略他人的隐私哦。
到这里先提示一下，等会你可能会需要更新 HISTTIMEFORMAT 环境变量来显示这些下令被施行的工夫。对要不然光看到一堆不晓得啥时候施行的下令，一样会令人抓狂的。
四、此刻在运转的进程是啥?
$ pstree -a
$ ps aux
这都是查看现有进程的。 ps aux 的效果比较紊乱， pstree -a 的效果比较简略明了，可以看到正在运转的进程及相干会员。
五、监听的网络服务
$ netstat -ntlp
$ netstat -nulp
$ netstat -nxlp
我个别都分开运转这三个下令，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 （鄙人一点浅陋的看法：IP 地址看起来更利便）。
找到所有正在运转的服务，检查它们是否应当运转。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。
要是服务器上有好几个Java或者Erlang什么的进程在同时运转，能够按PID离别找到每个进程就很重要了。
平常我们倡议每台服务器上运转的服务少一点，须要时可以添加服务器。要是你看到一台服务器上有三四十个监听端口开着，那还是做个记载，回首有空的时候清算一下，从新组织一下服务器。
六、CPU 和内存
$ free -m
$ uptime
$ top
$ htop
注意下列题目:
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? 均匀负载是多少?
七、硬件
$ lspci
$ dmidecode
$ ethtool
有许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。依据这些状况可以大致理解硬件题目的来源和机能改善的办法。
网卡是否设置好? 是否正运转在半双工状态? 速度是10MBps? 有没有 TX/RX 报错?
八、IO 机能
$ iostat -kx 2
$ vmstat 2 10
$ mpstat 2 10
$ dstat --top-io --top-bio
这些下令关于调试后端机能非常有用。
检查磁盘运用量：服务器硬盘是否已满?
是否开启了swap交流模式 (si/so)?
CPU被谁占用：系统进程? 会员进程? 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
$ 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?
要是磁盘空间有题目，你是否还有空间来扩展一个分区？
十、内核、中止和网络
$ sysctl -a | grep ...
$ cat /proc/interrupts
$ cat /proc/net/ip_conntrack /* may take some time on busy servers */
$ netstat
$ ss -s
你的中止请求是否是平衡地分配给CPU处置，还是会有某个CPU的核由于大量的网络中止请求或者RAID请求而过载了？
SWAP交流的设置是什么？关于工作站来说swappinness 设为 60 就非常不错, 不过关于服务器就太糟了：你最佳永远不要让服务器做SWAP交流，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?
在不一样状态下(TIME_WAIT, …)TCP连贯工夫的设置是如何的？
要是要显示所有存在的连贯，netstat 会比较慢， 你可以先用 ss 看一下总体状况。
你还可以看一下 Linux TCP tuning 理解网络机能调优的一些要点。
十一、系统日志和内核新闻
$ dmesg
$ less /var/log/messages
$ less /var/log/secure
$ less /var/log/auth
查看差错和告诫新闻，比方看看是不是许多对于连贯数过多导致？
看看是否有硬件差错或文件系统差错?
剖析是否能将这些差错事件和前面发明的疑点进行工夫上的比对。
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
是否有某个定时任务运转过于频繁?
是否有些会员提交了隐蔽的定时任务?
在涌现故障的时候，是否正好有某个备份任务在施行？
十三、利用系统日志
这里边可剖析的东西就多了, 不过恐怕你作为运维人员是没功夫去细心研究它的。关注那些显明的题目，比方在一个典型的LAMP（Linux+Apache+Mysql+Perl）利用环境里:
Apache & Nginx; 查找访问和差错日志, 直接找 5xx 差错, 再看看是否有 limit_zone 差错。
MySQL; 在mysql.log找差错新闻，看看有没有构造损坏的表， 是否有innodb修复进程在运转，是否有disk/index/query 题目.
PHP-FPM; 要是设定了 php-slow 日志, 直接找差错信息 (php, mysql, memcache, …)，要是没设定，赶快设定。
Varnish; 在varnishlog 和 varnishstat 里, 检查 hit/miss比. 看看配置信息里是否漏掉了什么法则，使终究会员可以直接袭击你的后端？
HA-Proxy; 后端的情况怎样？安康情况检查是否成功？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，你应当对如下状况比较分明了：
在服务器上运转的都是些啥？
这个故障看起来是和 IO/硬件/网络 或者 系统配置 (有题目的代码、系统内核调优, …)相干。
这个故障是否有你熟知的一些特征？比方对数据库索引运用不当，或者太多的apache后台进程。
你甚至有可能找到真正的故障泉源。就算尚无找到，搞分明了上面这些状况之后，你此刻也具备了深挖下去的前提。继续努力吧！
原文链接：First 5 Minutes Troubleshooting A Server
热门标签：dede模板 / destoon模板 / dedecms模版 / 织梦模板
