- 掛牌上市企業(yè)
- 60秒人工響應(yīng)
- 99.99%連通率
- 7*24h人工
- 故障100倍補(bǔ)償
莫慌！處理云服務(wù)器故障的十三大步驟奉上！ |
| 發(fā)布時間: 2015/8/26 16:34:53 |
一、盡可能搞清楚問題的前因后果不要一下子就扎到服務(wù)器前面，你需要先搞明白對這臺服務(wù)器有多少已知的情況，還有故障的具體情況。不然你很可能就是在無的放矢。 必須搞清楚的問題有： 故障的表現(xiàn)是什么?無響應(yīng)?報錯? 故障是什么時候發(fā)現(xiàn)的? 故障是否可重現(xiàn)? 有沒有出現(xiàn)的規(guī)律(比如每小時出現(xiàn)一次) 最后一次對整個平臺進(jìn)行更新的內(nèi)容是什么(代碼、服務(wù)器等)? 故障影響的特定用戶群是什么樣的(已登錄的,退出的,某個地域的…)? 基礎(chǔ)架構(gòu)(物理的、邏輯的)的文檔是否能找到? 是否有監(jiān)控平臺可用? 是否有日志可以查看? 最后兩個是最方便的信息來源，特別是日志系統(tǒng),作為運(yùn)維人員要善于和擅長查看日志,日志往往是你在沒有頭緒的時候給你最大的幫助,其實(shí)很多問題都在日志系統(tǒng)中暴露出來,比較方便的是使用系統(tǒng)筆記 二、有誰在?1.$w 2.$last 用這兩個命令看看都有誰在線，有哪些用戶訪問過。這不是什么關(guān)鍵步驟，不過最好別在其他用戶正干活的時候來調(diào)試系統(tǒng)。有道是一山不容二虎嘛。 三、之前發(fā)生了什么?1.$history 查看一下之前服務(wù)器上執(zhí)行過的命令�？匆幌驴偸菦]錯的，加上前面看的誰登錄過的信息，應(yīng)該有點(diǎn)用。另外作為admin要注意，不要利用自己的權(quán)限去侵犯別人的隱私哦。 到這里先提醒一下，等會你可能會需要更新HISTTIMEFORMAT環(huán)境變量來顯示這些命令被執(zhí)行的時間。對要不然光看到一堆不知道啥時候執(zhí)行的命令，同樣會令人抓狂的。 四、現(xiàn)在在運(yùn)行的進(jìn)程是啥?1.$pstree-a 2.$psaux 這都是查看現(xiàn)有進(jìn)程的。psaux的結(jié)果比較雜亂，pstree-a的結(jié)果比較簡單明了，可以看到正在運(yùn)行的進(jìn)程及相關(guān)用戶。 五、監(jiān)聽的網(wǎng)絡(luò)服務(wù)1.$netstat-ntlp 2.$netstat-nulp 3.$netstat-nxlp 我一般都分開運(yùn)行這三個命令，不想一下子看到列出一大堆所有的服務(wù)。netstat-nalp倒也可以。不過我絕不會用numeric選項。 找到所有正在運(yùn)行的服務(wù)，檢查它們是否應(yīng)該運(yùn)行。查看各個監(jiān)聽端口。在netstat顯示的服務(wù)列表中的PID和psaux進(jìn)程列表中的是一樣的。 如果服務(wù)器上有好幾個Java或者Erlang什么的進(jìn)程在同時運(yùn)行，能夠按PID分別找到每個進(jìn)程就很重要了。 通常我們建議每臺服務(wù)器上運(yùn)行的服務(wù)少一點(diǎn)，必要時可以增加服務(wù)器。如果你看到一臺服務(wù)器上有三四十個監(jiān)聽端口開著，那還是做個記錄，回頭有空的時候清理一下，重新組織一下服務(wù)器。 六、CPU和內(nèi)存1.$free-m 2.$uptime 3.$top 4.$htop 注意以下問題: 還有空余的內(nèi)存嗎?服務(wù)器是否正在內(nèi)存和硬盤之間進(jìn)行swap? 還有剩余的CPU嗎?服務(wù)器是幾核的?是否有某些CPU核負(fù)載過多了? 服務(wù)器最大的負(fù)載來自什么地方?平均負(fù)載是多少? 七、硬件1.$lspci 2.$dmidecode 3.$ethtool 有很多服務(wù)器還是裸機(jī)狀態(tài)，可以看一下： 找到RAID卡、CPU、空余的內(nèi)存插槽。根據(jù)這些情況可以大致了解硬件問題的來源和性能改進(jìn)的辦法。 網(wǎng)卡是否設(shè)置好?是否正運(yùn)行在半雙工狀態(tài)?速度是10MBps?有沒有TX/RX報錯? 八、IO性能1.$iostat-kx2 2.$vmstat210 3.$mpstat210 4.$dstat--top-io--top-bio 這些命令對于調(diào)試后端性能非常有用。 檢查磁盤使用量：服務(wù)器硬盤是否已滿? 是否開啟了swap交換模式(si/so)? CPU被誰占用：系統(tǒng)進(jìn)程?用戶進(jìn)程?虛擬機(jī)? dstat是我的最愛。用它可以看到誰在進(jìn)行IO：是不是MySQL吃掉了所有的系統(tǒng)資源?還是你的PHP進(jìn)程? 九、掛載點(diǎn)和文件系統(tǒng)1.$mount 2.$cat/etc/fstab 3.$vgs 4.$pvs 5.$lvs 6.$df-h 7.$lsof+D//*bewarenottokillyourbox*/ 一共掛載了多少文件系統(tǒng)? 有沒有某個服務(wù)專用的文件系統(tǒng)?(比如MySQL?) 文件系統(tǒng)的掛載選項是什么：noatime?default?有沒有文件系統(tǒng)被重新掛載為只讀模式了? 磁盤空間是否還有剩余? 是否有大文件被刪除但沒有清空? 如果磁盤空間有問題，你是否還有空間來擴(kuò)展一個分區(qū)? 十、內(nèi)核、中斷和網(wǎng)絡(luò)1.$sysctl-a|grep... 2.$cat/proc/interrupts 3.$cat/proc/net/ip_conntrack/*maytakesometimeonbusyservers*/ 4.$netstat 5.$ss-s 你的中斷請求是否是均衡地分配給CPU處理，還是會有某個CPU的核因為大量的網(wǎng)絡(luò)中斷請求或者RAID請求而過載了? SWAP交換的設(shè)置是什么?對于工作站來說swappinness設(shè)為60就很好,不過對于服務(wù)器就太糟了：你最好永遠(yuǎn)不要讓服務(wù)器做SWAP交換，不然對磁盤的讀寫會鎖死SWAP進(jìn)程。 conntrack_max是否設(shè)的足夠大，能應(yīng)付你服務(wù)器的流量? 在不同狀態(tài)下(TIME_WAIT,…)TCP連接時間的設(shè)置是怎樣的? 如果要顯示所有存在的連接，netstat會比較慢，你可以先用ss看一下總體情況。 你還可以看一下LinuxTCPtuning了解網(wǎng)絡(luò)性能調(diào)優(yōu)的一些要點(diǎn)。 十一、系統(tǒng)日志和內(nèi)核消息1.$dmesg 2.$less/var/log/messages 3.$less/var/log/secure 4.$less/var/log/auth 查看錯誤和警告消息，比如看看是不是很多關(guān)于連接數(shù)過多導(dǎo)致? 看看是否有硬件錯誤或文件系統(tǒng)錯誤? 分析是否能將這些錯誤事件和前面發(fā)現(xiàn)的疑點(diǎn)進(jìn)行時間上的比對。如果你有多臺機(jī)器,看起來很不方便,可以事先把日志存儲在系統(tǒng)筆記的云日志服務(wù)器上,支持全文模糊查找, 十二、定時任務(wù)1.$ls/etc/cron*+cat 2.$foruserin$(cat/etc/passwd|cut-f1-d:);docrontab-l-u$user;done 是否有某個定時任務(wù)運(yùn)行過于頻繁? 是否有些用戶提交了隱藏的定時任務(wù)? 在出現(xiàn)故障的時候，是否正好有某個備份任務(wù)在執(zhí)行? 十三、應(yīng)用系統(tǒng)日志這里邊可分析的東西就多了,不過恐怕你作為運(yùn)維人員是沒功夫去仔細(xì)研究它的。關(guān)注那些明顯的問題，比如在一個典型的LAMP(Linux+Apache+Mysql+Perl)應(yīng)用環(huán)境里: Apache&Nginx;查找訪問和錯誤日志,直接找5xx錯誤,再看看是否有l(wèi)imit_zone錯誤。 這里查看了下,并沒有503的,只有403的錯誤.所以可以跳過 MySQL;在mysql.log找錯誤消息，看看有沒有結(jié)構(gòu)損壞的表，是否有innodb修復(fù)進(jìn)程在運(yùn)行，是否有disk/index/query問題. PHP-FPM;如果設(shè)定了php-slow日志,直接找錯誤信息(php,mysql,memcache,…)，如果沒設(shè)定，趕緊設(shè)定。 Varnish;在varnishlog和varnishstat里,檢查hit/miss比.看看配置信息里是否遺漏了什么規(guī)則，使最終用戶可以直接攻擊你的后端? HA-Proxy;后端的狀況如何?健康狀況檢查是否成功?是前端還是后端的隊列大小達(dá)到最大值了? 結(jié)論經(jīng)過這5分鐘之后，你應(yīng)該對如下情況比較清楚了： 在服務(wù)器上運(yùn)行的都是些啥? 這個故障看起來是和IO/硬件/網(wǎng)絡(luò)或者系統(tǒng)配置(有問題的代碼、系統(tǒng)內(nèi)核調(diào)優(yōu),…)相關(guān)。 這個故障是否有你熟悉的一些特征?比如對數(shù)據(jù)庫索引使用不當(dāng)，或者太多的apache后臺進(jìn)程。 你甚至有可能找到真正的故障源頭。就算還沒有找到，搞清楚了上面這些情況之后,你現(xiàn)在也具備了深挖下去的條件。繼續(xù)努力吧! 服務(wù)器租用/服務(wù)器托管中國五強(qiáng)！虛擬主機(jī)域名注冊頂級提供商！15年品質(zhì)保障！--億恩科技[ENKJ.COM] |
0371-60135900
京公網(wǎng)安備41019702002023號
香港服務(wù)器租用
美國服務(wù)器租用
電信骨干機(jī)房
聯(lián)通骨干機(jī)房
