Lzq1471305.net # 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。 # 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 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? iostat是系统级别的IO监控，而iotop是进程级别IO监控 ``` %iowait过高的话，则表示硬盘存在I/O瓶颈。 %idle很高但是系统响应很慢，可能是CPU等待分配内存导致的。应加大内存容量。 -%idle如果持续低于10，则表明CPU处理能力相对较低，也就是说CPU是系统中的瓶颈了。 %util差不多到100%，说明产生的I/O请求过多，I/O系统接近满负荷 磁盘是否达到真正极限瓶颈，需要参考通过fio等工具压测出的极限带宽和IOPS值  %util表示该设备有I/O（即非空闲）的时间比率，不考虑I/O有多少，只考虑有没有。  由于现代硬盘设备都有并行处理多个I/O请求的能力，所以%util即使达到100%也不意味着设备饱和了。 avgqu-sz：如果I/O请求压力持续超出磁盘处理能力，该值将增加，因为会造成拥塞。 如果单块磁盘的队列长度持续超过2，一般认为该磁盘存在I/O性能问题。 对于顺序读写频繁的，需要传输大块数据的任务，需要关注磁盘的吞吐量（ kB_read/s ，kB_wrtn/s）。 对于磁盘随机读写频繁的任务，需要关注（tps） ``` # 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！