linux服务器故障之运维经验总结

服务器故障之运维经验总结作为一个运维人员，遇到服务器故障是在所难免的，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。当出现此类问题时，应该如何处理？本文给大家详尽的分析了一下，一起来看看。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、NewRelic…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?$w$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。（necookinthekitchenisenough.）三、之前发生了什么?$history查看一下之前服务器上执行过的命令。看一下总是没错的，加上前面看的谁登录过的信息，应该有点用。另外作为admin要注意，不要利用自己的权限去侵犯别人的隐私哦。到这里先提醒一下，等会你可能会需要更新HISTTIMEFORMAT环境变量来显示这些命令被执行的时间。对要不然光看到一堆不知道啥时候执行的命令，同样会令人抓狂的。四、现在在运行的进程是啥?$pstree-a$psaux这都是查看现有进程的。psaux的结果比较杂乱，pstree-a的结果比较简单明了，可以看到正在运行的进程及相关用户。五、监听的网络服务$netstat-ntlp$netstat-nulp$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psaux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$free-m$uptime$top$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$lspci$dmidecode$ethtool有很多服务器还是裸机状态，可以看一下：找到RAID卡(是否带BBU备用电池?)、CPU、空余的内存插槽。根据这些情况可以大致了解硬件问题的来源和性能改进的办法。网卡是否设置好?是否正运行在半双工状态?速度是10MBps?有没有TX/RX报错?八、IO性能$iostat-kx2$vmstat210$mpstat210$dstat--top-io--top-bio这些命令对于调试后端性能非常有用。检查磁盘使用量：服务器硬盘是否已满?是否开启了swap交换模式(si/so)?CPU被谁占用：系统进程?用户进程?虚拟机?dstat是我的最爱。用它可以看到谁在进行IO：是不是MySQL吃掉了所有的系统资源?还是你的PHP进程?九、挂载点和文件系统$mount$cat/etc/fstab$vgs$pvs$lvs$df-h$lsof+D//*bewarenottokillyourbox*/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$sysctl-a|grep...$cat/proc/interrupts$cat/proc/net/ip_conntrack/*maytakesometimeonbusyservers*/$netstat$ss-s你的中断请求是否是均衡地分配给CPU处理，还是会有某个CPU的核因为大量的网络中断请求或者RAID请求而过载了？SWAP交换的设置是什么？对于工作站来说swappinness设为60就很好,不过对于服务器就太糟了：你最好永远不要让服务器做SWAP交换，不然对磁盘的读写会锁死SWAP进程。conntrack_max是否设的足够大，能应付你服务器的流量?在不同状态下(TIME_WAIT,…)TCP连接时间的设置是怎样的？如果要显示所有存在的连接，netstat会比较慢，你可以先用ss看一下总体情况。你还可以看一下LinuxTCPtuning了解网络性能调优的一些要点。十一、系统日志和内核消息$dmesg$less/var/log/messages$less/var/log/secure$less/var/log/auth查看错误和警告消息，比如看看是不是很多关于连接数过多导致？看看是否有硬件错误或文件系统错误?分析是否能将这些错误事件和前面发现的疑点进行时间上的比对。十二、定时任务$ls/etc/cron*+cat$foruserin$(cat/etc/passwd|cut-f1-d:);docrontab-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。当然还可以借助ITIL工具对CMDB资产的关联进行深入分析。继续努力吧！