`
david_je
  • 浏览: 373866 次
  • 性别: Icon_minigender_1
  • 来自: 上海
社区版块
存档分类
最新评论

在服务器上排除问题的头五分钟

 
阅读更多
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?

1$ w
2$ 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?

1$ 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?

1$ pstree -a
2$ 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

1$ netstat -ntlp
2$ netstat -nulp
3$ 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

1$ free -m
2$ uptime
3$ top
4$ 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

1$ lspci
2$ dmidecode
3$ 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

1$ iostat -kx 2
2$ vmstat 2 10
3$ mpstat 2 10
4$ 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

1$ mount
2$ cat /etc/fstab
3$ vgs
4$ pvs
5$ lvs
6$ df -h
7$ 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

1$ sysctl -a | grep ...
2$ cat /proc/interrupts
3$ cat /proc/net/ip_conntrack /* may take some time on busy servers */
4$ netstat
5$ 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


1$ dmesg
2$ less /var/log/messages
3$ less /var/log/secure
4$ 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

1$ ls /etc/cron* + cat
2$ 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!
分享到:
评论

相关推荐

    HP Proliant Gen9服务器故障排除指南

    综上所述,HP Proliant Gen9服务器故障排除指南是一份全面的技术手册,不仅提供了故障排除的步骤和方法,还强调了安全意识和最佳实践,为服务器的长期稳定运行提供了坚实的保障。对于服务器管理人员来说,这是一份...

    HP_ProLiant_服务器故障排除指南

    - **做好服务器诊断的准备工作**:介绍了在开始故障排除之前应该完成的一些准备工作。 - **执行故障排除流程中的处理器步骤**:提供了关于如何处理与处理器相关的故障的具体指导。 - **将服务器降级到最低硬件配置**...

    DevOps故障排除 linux服务器运维最佳实践

    《DevOps故障排除:Linux服务器运维最佳实践》首先介绍了故障排除中要掌握的基本方法和原则,然后针对Linux系统中的常见问题,逐个分析故障原因并给出故障排除方法,这些问题包括服务器运行缓慢、系统无法启动、不能...

    x86服务器常见问题和故障诊断排除.doc

    x86服务器作为企业信息化基础设施的核心,其...以上是x86服务器常见问题的诊断和排除方法,对于服务器管理员而言,了解这些问题并掌握相应的解决技巧,能够有效地保障服务器的正常运行,减少停机时间,提高业务连续性。

    服务器故障排除方法.docx

    服务器故障排除方法和备份策略 服务器作为企业的关键基础设施,承载着大量的数据、应用程序和网站等核心资源。然而,服务器也会出现各种故障,例如硬件问题、软件问题、网络问题等,这些故障可能导致服务中断和数据...

    HP ProLiant服务器故障排除指南

    HP ProLiant服务器故障排除指南提供...综上所述,HP ProLiant服务器故障排除指南是一份全面而实用的资源,覆盖了从理论知识到实践操作的各个方面,对于任何从事服务器维护和管理的专业人士来说,都是不可或缺的工具书。

    DNS服务器故障排除

    DNS服务器故障排除,非常简单实用的,奉献给大家!

    HPE ProLiant Gen10 服务器的故障排除指南.pdf

    HPE Proliant G10相关服务器故障的常用过程和解决方案。本文档可供服务器、服务器刀片和 HPE Apollo 系统的安装、管理和排除故障的人员使用

    服务器故障排除步骤指南(通用)[借鉴].pdf

    服务器故障排除步骤指南是指在服务器出现问题时,如何快速地诊断和解决问题的指南。这份指南适用于各种服务器,包括台式服务器和膝上服务器。 在服务器出现问题时,首先需要遵循基本提示以节省时间。如果您在出现...

    服务器故障排除方法[归类].pdf

    这些信息提示了在进行故障排除时,应考虑硬件和软件的各个层面,包括固件的兼容性以及不同组件间的通信问题。 总结而言,服务器故障排除包括识别和解决硬件故障、操作系统的软件问题、网络连接问题,以及固件级别的...

    Linux服务器网卡驱动安装及故障排除

    用于公司级服务器的Linux系统的安装与调试,解决在Linux下安装windows server 2003后网卡驱动安装以及故障排除问题

    DevOps故障排除Linux服务器运维最佳实践

    根据提供的标题“DevOps故障排除Linux服务器运维最佳实践”及描述来看,本文旨在探讨DevOps环境中针对Linux服务器的故障排除及运维的最佳实践方法。虽然给定的部分内容并未提供具体的知识点,但我们可以根据标题和...

    Gen10惠普服务器故障代码大全

    本文档为服务器管理员和技术人员提供了详细的服务器故障排除指南,涵盖了服务器故障排除的前提条件、常见过程、解决方案、设备上的符号、重要安全信息、服务器故障排除资源等方面的内容,旨在帮助他们更好地进行...

    Domino服务器性能问题诊断与排除手册.doc

    《Domino服务器性能问题诊断与排除手册》是针对Domino服务器在运行过程中可能出现的性能问题提供的一份详尽指南。这份文档旨在帮助管理员诊断和解决影响服务器性能的各类问题,而不是专注于性能优化策略。 首先,当...

    服务器故障排除步骤指南通用.doc

    服务器故障排除步骤指南通用 本指南旨在帮助用户快速诊断和解决服务器故障,提高服务器的可靠性和稳定性。以下是服务器故障排除步骤指南的详细知识点: 1. 故障排除前的准备工作 在开始故障排除之前,请确保您...

    HP服务器问题汇总HP服务器问题汇总.doc

    在本资源中,我们将对HP ProLiant服务器系列的常见问题进行汇总,涵盖了服务器的安装、配置、故障排除、管理软件等多个方面。下面是相关知识点的总结: 一、服务器安装和配置 * 操作系统安装时的排错方法:在HP ...

    终端服务器授权快速故障排除方法

    5. **使用其他资源**:在以上步骤均未解决问题的情况下,可以参考额外的故障排除资源,如Microsoft的技术文档、社区论坛和专业支持服务,以获取进一步的帮助。 在进行故障排除时,特别要注意的是,必须拥有管理权限...

    HPE-ProLiant-Gen10-服务器的故障排除指南.pdf

    HPE ProLiant Gen10 服务器故障排除指南 本指南旨在提供 HPE ProLiant Gen10 服务器的故障排除指南,旨在帮助服务器管理员和技术人员快速排除服务器故障,确保服务器的可靠运行和高效运作。 一、服务器故障排除...

    IBM和DELL服务器故障诊断及排除.docx

    IBM 和 DELL 是服务器市场上的两大巨头,本文将详细介绍 IBM 和 DELL 服务器故障诊断及排除的解决方案。 一、服务器故障诊断的重要性 服务器故障诊断是指对服务器出现问题或故障时,通过检查、分析和修复来恢复...

Global site tag (gtag.js) - Google Analytics