« 上一篇下一篇 »

Linux系统的香港美国服务器常见故障问题排查思路及对应代码

  Linux服务器一般是很少出现问题的,一旦出现问题,怎样去积极的抢救呢?我们不能坐以待毙,原因一旦服务器故障,那么该服务器上的所有网站将都会无法打开。对于一个企业来说,网站就是他们的命脉,损失是巨大的,服务器支撑着整个企业的信息数据,对公司的信息储存、业务开展、正常运作等等环节都具有着至关重要的意义。然而,服务器在日常运行过程中,由于其复杂的硬件结构、繁琐的运行原理,经常会出现一些大大小小的问题困扰着各位。
  一个基于 Linux 操作系统的服务器运行的同时,也会表征出各种各样参数信息。通常来说运维人员、系统管理员会对这些数据会极为敏感,但是这些参数对于开发者来说也十分重要,尤其当你的程序非正常工作的时候,这些蛛丝马迹往往会帮助快速定位跟踪问题。

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。

二、有哪些用户?

$ 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?

$ 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?

$ 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

$ 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

$ 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

$ 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

$ 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

$ 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

$ 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

$ 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

$ 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。 
你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,你现在也具备了深挖下去的条件。继续努力吧!

以上摘自网络,由数据吧云计算整理发布,如有雷同,请联系本站编辑处。