解决故障的处理思路

在有那么一瞬间,遇到服务器故障可能会手足无措,完全不知道自己应该干些什么,该如何处理。这里就简单记录一下解决服务器故障的思路,以便今后迅速定位问题。

问题的前因后果


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?
  • 是否有日志可以查看?

有谁在?


1
2
3
w
last
who /var/log/wtmp

用这三个命令看看都有谁在线,有哪些用户访问过。

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。

现在在运行的进程是啥?


1
2
pstree -a
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。

监听的网络服务


1
netstat -auntlp

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。

CPU 和内存


1
2
3
free -m
uptime
top/htop

注意以下问题:

  1. 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?
  2. 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?
  3. 服务器最大的负载来自什么地方? 平均负载是多少?

硬件


1
2
3
lspci
dmidecode
ethtool

有很多服务器可能是硬件故障,具体看一下:

  1. RAID 卡 (是否带BBU备用电池?)
  2. CPU、空余的内存插槽?
  3. 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?

IO性能


1
2
3
4
iostat -kx 2
vmstat 2 10
mpstat 2 10
dstat --top-io --top-bio

具体关注以下问题:

  1. 是否开启了swap交换模式 (si/so)?
  2. CPU被谁占用:系统进程? 用户进程? 虚拟机?
  3. 服务器硬盘是否已满?

文件系统


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

具体关注以下问题:

  1. 一共挂载了多少文件系统?
  2. 有没有某个服务专用的文件系统? \
  3. 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?
  4. 是否有大文件被删除但没有清空?
  5. 如果磁盘空间有问题,你是否还有空间来扩展一个分区?

内核、中断和网络


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

具体关注以下问题:

  1. 内核是否做什么相关优化?
  2. 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?
  3. 在不同状态下(TIME_WAIT, …)TCP连接时间的设置是怎样的?

系统日志


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

具体关注以下问题:

  1. 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?
  2. 看看是否有硬件错误或文件系统错误?

定时任务


1
2
ls /etc/cron* + cat
for user in $(cat /etc/passwd | cut -f1 -d:); do crontab -l -u $user; done

具体关注以下问题:

  1. 是否有某个定时任务运行过于频繁?
  2. 是否有些用户提交了隐藏的定时任务?
  3. 在出现故障的时候,是否正好有某个备份任务在执行?

应用系统日志


这个要涉及的就比较多了,不过一般是应用故障我们查看相关的应用日志即可。
例如:
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。
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


经过一系列的处理之后,应该对如下情况比较清楚了:

  1. 在服务器上运行的都是些啥?
  2. 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?
  3. 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?

本文标题:解决故障的处理思路

文章作者:火柴

发布时间:2017年01月17日 - 11:01

最后更新:2017年08月07日 - 09:08

原始链接:http://www.chen-hao.com.cn/posts/37696/

许可协议: 署名-非商业性使用-禁止演绎 4.0 国际 转载请保留原文链接及作者。

火柴 wechat
扫描上方二维码关注我的博客!
0%