Linux 服务器故障排除的前五分钟

第一版翻译者：@老码农的自留地

注，此文章在原文章的基础上加入一些内容（修改与测试）。

二、简介

Back when our team was dealing with operations, optimization and scalability at our previous company, we had our fair share of troubleshooting poorly performing applications and infrastructures of various sizes, often large (think CNN or the World Bank). Tight deadlines, “exotic” technical stacks and lack of information usually made for memorable experiences.

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。

三、具体过程

遇到服务器故障，问题出现的原因很少可以一下就能找到。我们基本上都会从以下步骤入手：

1.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。不然你很难搞清楚问题出在什么地方，

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、 New Relic… 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。下面我们继续……

2.有谁在？

[root@node1 ~]# w

[root@node1 ~]# 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。嘿嘿！

3.之前发生了什么？

[root@node1 ~]# 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。命令如下，

[root@node1 ~]# export HISTTIMEFORMAT='%F %T '

这样再次用history命令查看就会显示命令执行的时间。

4.现在在运行的进程是啥？

[root@node1 ~]# pstree –a

[root@node1 ~]# 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。其实这两个工具一般好用，htop这个工具比较好用，前提是你的机器上已安装好htop工具。有兴趣的朋友可以去用一下，哈哈！

5.监听的网络服务

[root@node1 ~]# netstat -ntlp （查看tcp端口）[root@node1 ~]# netstat -nulp（查看udp端口）

[root@node1 ~]# netstat -nxlp （查看unix）

我一般都分开运行这三个命令，不想一下子，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 ps aux 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。