分析Linux死机故障

from: http://www.linuxfly.org/post/33/

系统出现死机，一般分为两种情况：一是硬件问题；二是软件问题。

一、硬件问题
 可以考虑分析以下几点：
1、不要超频CPU，如果已经超频的先回复到原来的频率。
 虽然平时运行没有问题，但可能在高负载的使用中就会出现不可预料的故障了。特别是linux系统在某些应用上，是可以把硬件的性能发挥到极限的，但这样的硬件运行Windows可能是没有问题的。
2、确认电源供电充足
 必须确保在高负载的状态下，电源可以满足负载。
3、使用memtest86检查内存状态
4、恢复BIOS到默认状态
 对于服务器，可以使用自带的监测工具进行测试，也是一个不错的排错方法。

二、软件问题
 如果已经基本排除硬件问题，那我们就必须考虑从软件上去获得死机状态的系统信息了。
1、运气足够好的话，系统死机不一定是完全死掉（此时键盘可能还能响应），那我们就可以使用Sysrq大法。
 前提是我们必须先打开sysrq功能：

#echo "1" > /proc/sys/kernel/sysrq
#setterm -blank

  这样，当系统出现问题的时候，我们可以使用：

引用

Alt+Sysrq-T 获得进程系统堆栈信息
Alt+Sysrq-M 获得内存分配信息
Alt+Sysrq-W 获得当前寄存器信息
更多的热键可以参考系统上的/usr/src/linux/Documentaion/sysrq.txt

 其中，setterm -blank可以关闭字符下定时黑屏保护，方便记录屏幕信息。
2、为了让屏幕显示更多的内核调试信息，可以修改控制台的显示模式为80x25，在/boot/grub/menu.lst中对应的kernel一行最后，增加vga=0x305，如：

引用

kernel /boot/vmlinuz-2.4.21-9.30AXsmp ro root=/LABEL=/1 vga=0x305

3、万一键盘也不幸死掉了，那我们只能采用串口方式，把系统信息发送到另一台系统上，方法：
 修改/boot/grub/menu.lst文件，在kernel一行最后增加核心参数"console=ttyS0 console=tty1"，如：

引用

kernel /boot/grub/vmlinuz-2.4.21-9.30AXsmp ro root=/LABEL=/1 console=ttyS0 console=tty1

  然后，修改/etc/sysconfig/syslog，加入klogd选项"-c 7"，如：

引用

KLOGD_OPTIONS="-x -c 7"

  重启服务器；进行测试：
1）使用串口直连线连接客户机和服务器，在客户机上运行：

cat /dev/ttyS0

  服务器上运行：

echo hi > /dev/ttyS0

  如果客户机有"hi"输出即可。
2）服务器上运行：

echo w > /proc/sysrq-trigger

 看看客户机上是否有相应的内核信息输出
3）服务器上运行：

modprobe loop

 看看客户机上是否有相应的内核信息输出
 如果测试都通过的话，那么在客户机上运行：

cat /dev/ttyS0 | tee /tmp/result

 当死机出现的时候，我们就可以从客户机上看到需要的内核信息了（查看/tmp/result）。

三、附录
 一般造成Linux系统死机的原因有：
系统硬件问题（SCSI卡，主板，RAID卡，HBA卡，网卡，硬盘等）
外围硬件问题（网络等）
软件问题（系统、应用软件）
驱动bug（找新的驱动）
核心系统bug（到LKML看看，或更换核心再试）
系统设置（恢复到缺省状态，关闭防火墙等）