linux WEB服务器故障两则，兼谈分布式系统

前段时间公司网站出过两次事故，前台跑PHP的Apache进程大量死锁，造成服务器无负载但不能提供服务，不断重启服务也未能解决问题，但过几小时后自动恢复。这些系统已经稳定运行数月之久，虽然不断有升级但没有出现这类情况。

一周后第二次出现相同情况时公司组织人力进行了排查，没有发现问题。由于没有WEB机器登录权限，于是让运维同事做了这些操作来查找原因：

1、strace -p xxxx查看任意httpd进程，查看进程运行状态。如果没有阻塞在futex上，换一个进程再查看。
这一步一般可以查出很多原因，比如死循环，如果strace没有显示一个系统调用正在进行，一般是限入无终结条件的死循环，这种情况一般伴随着高CPU占用。如果不断有系统调用，就更方便找出死循环的原因了，当然一般也是逻辑错误。
经过查看，大部分进程阻塞在futex上。记下futex死锁的文件描述符，比如是10。

2、lsof -p xxxx查看进程打开的文件描述符，找到10对应的资源。结果是这是一个session文件，于是可以推断是session锁导致服务进程挂死。
记下这个session文件路径，比如是/tmp/abcdefg。

3、lsof /tmp/abcdefg，查看所有打开这个文件的进程ID。

4、strace -p xxxx对第三步找出的进程ID进行分析，一般会发现有一个进程没有阻塞在futex上，记下这个进程ID，比如1111，并记下当前阻塞的操作，通常也是个文件描述符，比如是11。或者这个进程也处于死循环，注意观察一下就能发现。

5、lsof -p 1111查看这个进程，查找11这个文件描述符对应的资源，有可能是个socket连接或者其它，总之这里一般可以找到真正原因了。

公司的服务器经过排查，原因在于某一时刻网络质量下降，连接到远端另一个socket服务器的主动关闭的包丢失，甚至多次重传也没有成功，所以远端已经无法看到这个连接，但该WEB服务器上却显示ESTABLISHED，PHP代码一直接收socket数据直到断开，自然是无法返回了。很多时候由于安全问题没有办法拿到服务器权限，如何通过简单的办法找出问题就很重要了。

另一个例子是PHP上传程序，由于使用了分布式存储，数据是通过socket发送到存储服务器上。PHP程序使用stream_set_timeout来设置超时，但某次事故后分析发现它只影响read，对write没有作用，于是改为socket_send，用setsockopt设置超时。

这种情况应该会经常发生，只是大部分时候网络状况没有问题，也就不想写一些复杂代码处理这种异常情况，或者很多时候认为这只是小事故，不过对于大型网站来说一般是计算影响了多少人、多少时间、造成多少功能无法使用来确定事故等级的。


事故无大小，应该从事故中吸取经验避免再次发生。公司每周都有超过10个运行事故，我到公司后共造成3个事故，当然主要是刚接管时旧系统架构问题或者库的稳定性造成的，但也有代码BUG造成的。BUG只能减少，要做到完全没有BUG只有理论上可行，而且可能成本过高，相对低成本的是增加容错和报警监控机制，但发现问题还是要及时修复并升级系统，这时候单元测试就很重要了。

分布式系统简单说就是一组服务器协同工作，主要目的在于均衡负载、均衡数据、冗余等，面对的主要难点在于数据同步、防止宕机造成连锁反应、减少服务器间通讯及依赖、处理任意一个节点缓慢造成任务堆积或失败等方面，还有一点就是不要信任网络，这是最不稳定的部分，即便是同一机房。最近几个月通过改善开发过程、规范单元测试、增加容错机制、消除单点增加冗余、完善监控系统、细化统计分析等方面来提高质量，效果还是明显的，但还有很多路要走。系统设计阶段着眼于大方向上，开发阶段小细节上也需要特别在意，比如日志，系统一旦上线这可能是最丰富稳定的信息源。