数栈运维案例:客户生产服务器CPU负载异常处理

本文整理自:袋鼠云技术荟 | 某客户生产服务器CPU负载异常处理

数栈是云原生—站式数据中台PaaS,我们在github和gitee上有一个有趣的开源项目:FlinkX,FlinkX是一个基于Flink的批流统一的数据同步工具,既可以采集静态的数据,也可以采集实时变化的数据,是全域、异构、批流一体的数据同步引擎。大家喜欢的话请给我们点个star!star!star!

github开源项目:https://github.com/DTStack/fl...

gitee开源项目:https://gitee.com/dtstack_dev...

一、问题背景

一天下午,大家都在忙着各自的事情,突然小组人员都同时收到了短信提醒,以为是公司发奖金了,很是开心,咋一看“某某客户服务器cpu使用率100%,请及时处理!”原来是告警短信,同时看到钉钉群里发出了大量的告警信息……
二、故障回顾

告警提示”CPU使用率到达98%” ,打开阿里云控制台,通过云监控发现在下午15:06-16:46左右,云上机器某四台集群服务器cpu使用率波动较大(先降后升),负载过高,网络流量达到一定峰值就出现下降趋势,TCP连接数先是出现下降趋势,后面出现上升状态。现象如下图:
数栈运维案例:客户生产服务器CPU负载异常处理_第1张图片

CPU先降后升使用率情况:使用率接近100%

数栈运维案例:客户生产服务器CPU负载异常处理_第2张图片

系统平均负载先升后降情况:load超过40

数栈运维案例:客户生产服务器CPU负载异常处理_第3张图片

网络流入流量:网络带宽流入流出先降后升

数栈运维案例:客户生产服务器CPU负载异常处理_第4张图片
TCP 连接数情况:先升后降

三、问题排查过程

1) nginx 日志排查

查看nginx15:06-16:46时间段的日志发现请求订单接口响应时间较长,超过30s。如下图:
数栈运维案例:客户生产服务器CPU负载异常处理_第5张图片

2) 查看fpm-php日志

查看fpm-php日志,在15:06-16:46这个时间段中,fpm-php子进程出现大量重启,如下图:
数栈运维案例:客户生产服务器CPU负载异常处理_第6张图片

同时,nginx错误日志中发现较多的502,504状态码,如下图:

Nginx 502 状态码:

数栈运维案例:客户生产服务器CPU负载异常处理_第7张图片

Nginx 504 状态码:

3) 问题定位分析

a. 从fpm-php对应的日志里发现大量的fpm-php子进程重启,原因是每个子进程接受的请求数达到设定值。

b. 在大量的fpm-php子进程重启过程中,如果有大量请求进来是无法响应的,所以Nginx收到大量的502、504报错。

c. 同时在大量的fpm-php重启时会消耗大量的CPU load, PHP不接受业务请求、不转发数据,服务器流量直线下降。

4) 处理结论

经过上述分析,最终定位确认是fpm-php子进程数配置太低,同时每个子进程接受的请求数max_requests设置太小。无法应对每天的流量高峰。
四、优化建议

根据服务器的CPU/内存配置,适当增加children的数量和max_requests的请求数。如下图,设置一个比较大的值。

数栈运维案例:客户生产服务器CPU负载异常处理_第8张图片
五、优化效果

1)增加fpm-php子进程数以及每个子进程接收的请求能减少php子进程大量重启频次;

2)可缓解业务高峰期对服务造成的压力,降低业务影响。
六、写在最后

基于互联网在线化方式,袋鼠云为客户提供云上网络和资源规划、应用架构规划、性能优化、监控告警、系统健康检查、业务大促护航、云上安全运营等全方位的专业运维服务,保障客户业务系统在云上稳定运行。

你可能感兴趣的:(数栈运维案例:客户生产服务器CPU负载异常处理)