服务端解决故障的处理思路

发表于

原文： https://www.chen-hao.com.cn/posts/37696/

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什么，该如何处理。这里就简单记录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，不要一下子就扎在服务器前面，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？
  • 故障是否可以重现？
  • 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行的内容是什么（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

  • w（显示已经登陆系统的用户列表，并显示用户正在执行的指令）
  • who（显示已经登陆系统的用户列表）
  • who /var/log/wtmp（每个用户的登录次数和持续时间等信息）

用这3个命令，可以看看都有谁在线，有哪些用户访问过。

之前发生了什么

  • history（显示当前用户的命令记录）

查一下之前服务器上执行过的命令。看一下总是没错的，加上前面看的谁登陆过的信息，应该有点用。

现在在运行的进程是啥？

  • pstree -a
  • ps aux

这都是查看现有进程的。ps aux的结果比较乱，pstree -a的结果比较简单明了，可以看到正在运行的进程以及相关用户。

监听的网络服务

  • netstat -auntlp

找到正在运行的服务，检查他们是否应该运行。查看各个监听的端口。

CPU和内存

  • free -m
  • uptime
  • top/htop

注意以下问题：

  • 还有空余内存吗？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？
  • 服务器的最大负载来自什么地方？平均负载是多少？

硬件

  • lspci（查看PCI装置）
  • dmidecode（解码DMI表来查看硬件的详细信息）
  • ethtool（查看网络驱动和硬件信息）

具体关注以下问题：

  • RAID卡（是否带BBU备用电池？）
  • CPU、空余的内存插槽？
  • 网卡是否设置好？是否正在运行半双工状态？速度是10Mps？有没有TX/RX报错？

IO性能

具体关注以下问题：

  • 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？
  • 服务器磁盘是否已满？

文件系统

  • mount
  • cat /etc/fstab
  • vgs/pvs/lvs
  • df -h
  • lsof

具体关注以下问题：

  • 一共挂载了多少个文件系统？
  • 有没有某个服务专用的文件系统？
  • 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？
  • 是否有大文件被删除但是没有清空？
  • 如果磁盘空间有问题，是否还有空间来扩展一个分区？

内核、终端和网络

  • 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：

  • 内核是否做什么相关优化？
  • 你的终端请求是否均衡地分配给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？
  • 在不同状态下（TIME_WAIT，…）TCP连接时间的设置是怎样的？

系统日志

  • dmesg
  • less /var/log/message
  • less /var/log/secure
  • less /var/log/auth

具体关注以下问题：

  • 查看错误和警告信息，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？

定时任务

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

具体关注以下问题：

  • 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？

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应用日志即可。
例如：

  • Apache&Nginx：查看访问和错误日志，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修复进程在进行，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：

  • 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？比如数据库索引使用不当，或者太多的apache后台进程？