運維人員處理云服務器故障方法總結
我們團隊為Ucloud云計算服務提供專家技術支持,每天都要碰到無數的用戶故障,畢竟IAAS涉及比較底層的東西,不管設計的是大客戶也好還是小客戶,有了問題就必須要解決,也要要是再趕上修復時間緊、奇葩的技術平臺、缺少信息和文檔，基本上這過程都會慘痛到讓我們留下深刻的記憶。也記錄一點心得供各位奮斗在一線的運維人員提供一點幫助
遇到服務器故障，問題出現的原因很少可以一下就想到。我們基本上都會從以下步驟入手：
一、盡可能搞清楚問題的前因后果
不要一下子就扎到服務器前面，你需要先搞明白對這臺服務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：
- 故障的表現是什么?無響應?報錯?
- 故障是什么時候發現的?
- 故障是否可重現?
- 有沒有出現的規律(比如每小時出現一次)
- 最后一次對整個平臺進行更新的內容是什么(代碼、服務器等)?
- 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…)?
- 基礎架構(物理的、邏輯的)的文檔是否能找到?
- 是否有監控平臺可用? (比如Munin、Zabbix、 Nagios、 New Relic… 什么都可以)
- 是否有日志可以查看?. (比如Logstack系統筆記的云日志服務)
最后兩個是最方便的信息來源，特別是日志系統,作為運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,其實很多問題都在日志系統中暴露出來,比較方便的是使用系統筆記
二、有誰在?
- $ w
- $ last
用這兩個命令看看都有誰在線，有哪些用戶訪問過。這不是什么關鍵步驟，不過最好別在其他用戶正干活的時候來調試系統。有道是一山不容二虎嘛。(ne cook in the kitchen is enough.)
三、之前發生了什么?
- $ history
查看一下之前服務器上執行過的命令。看一下總是沒錯的，加上前面看的誰登錄過的信息，應該有點用。另外作為admin要注意，不要利用自己的權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 環境變量來顯示這些命令被執行的時間。對要不然光看到一堆不知道啥時候執行的命令，同樣會令人抓狂的。
四、現在在運行的進程是啥?
- $ pstree -a
- $ ps aux
這都是查看現有進程的。 ps aux 的結果比較雜亂， pstree -a 的結果比較簡單明了，可以看到正在運行的進程及相關用戶。
五、監聽的網絡服務
- $ netstat -ntlp
- $ netstat -nulp
- $ netstat -nxlp
我一般都分開運行這三個命令，不想一下子看到列出一大堆所有的服務。netstat -nalp倒也可以。不過我絕不會用 numeric 選項 (鄙人一點淺薄的看法：IP 地址看起來更方便)。
找到所有正在運行的服務，檢查它們是否應該運行。查看各個監聽端口。在netstat顯示的服務列表中的PID 和 ps aux 進程列表中的是一樣的。
如果服務器上有好幾個Java或者Erlang什么的進程在同時運行，能夠按PID分別找到每個進程就很重要了。
通常我們建議每臺服務器上運行的服務少一點，必要時可以增加服務器。如果你看到一臺服務器上有三四十個監聽端口開著，那還是做個記錄，回頭有空的時候清理一下，重新組織一下服務器。
六、CPU 和內存
- $ free -m
- $ uptime
- $ top
- $ htop
注意以下問題:
- 還有空余的內存嗎? 服務器是否正在內存和硬盤之間進行swap?
- 還有剩余的CPU嗎? 服務器是幾核的? 是否有某些CPU核負載過多了?
- 服務器最大的負載來自什么地方? 平均負載是多少?
#p#
七、硬件
- $ lspci
- $ dmidecode
- $ ethtool
有很多服務器還是裸機狀態，可以看一下：
找到RAID 卡 (是否帶BBU備用電池?)、 CPU、空余的內存插槽。根據這些情況可以大致了解硬件問題的來源和性能改進的辦法。
網卡是否設置好? 是否正運行在半雙工狀態? 速度是10MBps? 有沒有 TX/RX 報錯?
八、IO 性能
- $ iostat -kx 2
- $ vmstat 2 10
- $ mpstat 2 10
- $ dstat --top-io --top-bio
這些命令對于調試后端性能非常有用。
- 檢查磁盤使用量：服務器硬盤是否已滿?
- 是否開啟了swap交換模式 (si/so)?
- CPU被誰占用：系統進程? 用戶進程? 虛擬機?
- dstat 是我的最愛。用它可以看到誰在進行 IO： 是不是MySQL吃掉了所有的系統資源? 還是你的PHP進程?
九、掛載點 和 文件系統
- $ mount
- $ cat /etc/fstab
- $ vgs
- $ pvs
- $ lvs
- $ df -h
- $ lsof +D / /* beware not to kill your box */
- 一共掛載了多少文件系統?
- 有沒有某個服務專用的文件系統? (比如MySQL?)
- 文件系統的掛載選項是什么： noatime? default? 有沒有文件系統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展一個分區?
十、內核、中斷和網絡
- $ sysctl -a | grep ...
- $ cat /proc/interrupts
- $ cat /proc/net/ip_conntrack /* may take some time on busy servers */
- $ netstat
- $ 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的核因為大量的網絡中斷請求或者RAID請求而過載了?
- SWAP交換的設置是什么?對于工作站來說swappinness 設為 60 就很好, 不過對于服務器就太糟了：你最好永遠不要讓服務器做SWAP交換，不然對磁盤的讀寫會鎖死SWAP進程。
- conntrack_max 是否設的足夠大，能應付你服務器的流量?
- 在不同狀態下(TIME_WAIT, …)TCP連接時間的設置是怎樣的?
- 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 Linux TCP tuning 了解網絡性能調優的一些要點。
十一、系統日志和內核消息
- $ dmesg
- $ less /var/log/messages
- $ less /var/log/secure
- $ less /var/log/auth
查看錯誤和警告消息，比如看看是不是很多關于連接數過多導致?
看看是否有硬件錯誤或文件系統錯誤?
分析是否能將這些錯誤事件和前面發現的疑點進行時間上的比對。如果你有多臺機器,看起來很不方便,可以事先把日志存儲在系統筆記的云日志服務器上,支持全文模糊查找,
十二、定時任務
- $ ls /etc/cron* + cat
- $ for user in $(cat /etc/passwd | cut -f1 -d:); do crontab -l -u $user; done
是否有某個定時任務運行過于頻繁?
是否有些用戶提交了隱藏的定時任務?
在出現故障的時候，是否正好有某個備份任務在執行?
十三、應用系統日志
這里邊可分析的東西就多了, 不過恐怕你作為運維人員是沒功夫去仔細研究它的。關注那些明顯的問題，比如在一個典型的LAMP(Linux+Apache+Mysql+Perl)應用環境里:
- Apache & Nginx; 查找訪問和錯誤日志, 直接找 5xx 錯誤, 再看看是否有 limit_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，看看有沒有結構損壞的表， 是否有innodb修復進程在運行，是否有disk/index/query 問題.
- PHP-FPM; 如果設定了 php-slow 日志, 直接找錯誤信息 (php, mysql, memcache, …)，如果沒設定，趕緊設定。
- 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到最大值了?
結論
經過這5分鐘之后，你應該對如下情況比較清楚了：
- 在服務器上運行的都是些啥?
- 這個故障看起來是和 IO/硬件/網絡 或者 系統配置 (有問題的代碼、系統內核調優, …)相關。
- 這個故障是否有你熟悉的一些特征?比如對數據庫索引使用不當，或者太多的apache后臺進程。
- 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，你現在也具備了深挖下去的條件。繼續努力吧!
