在服务器上排除问题的头五分钟

我们团队为上一家公司承担运维、优化和扩展工作的时候，我们碰到了各种不同规模的性能很差的系统和基础设备（大型系统居多，比如 CNN 或者世界银行的系统）。要是再赶上修复时间紧、奇葩的技术平台、缺少信息和文档，基本上这过程都会惨痛到让我们留下深刻的记忆。

　　遇到服务器故障，问题出现的原因很少可以一下就想到。我们基本上都会从以下步骤入手：

　　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、有谁在?

$ 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

$ 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

$ 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

<pre courier="" new'="" !important;"="" style="padding: 0px; margin-top: 0px; margin-bottom: 0px; background-color: rgb(247, 247, 247); font-family: 'Courier New', monospace; font-size: 12px; overflow: auto; width: 691.0166625976563px; line-height: 1.5em; white-space: pre-wrap; word-wrap: break-word; ">$ 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！