服务端解决故障的处理思路

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。

Java服务端

1、出错一般来说是两种情况：
（1）代码逻辑出错了
（2）传入参数出错了
2、在上述情况都正确的情况下，那么业务逻辑可能是正常执行了。这时错误可能就是其他原因：
（1）出错的代码在别的地方
（2）rpc调用超时
（3）......

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）？ 注意：不同的服务之间调用，当进行某一个模块的联调时，这些相关的服务是否都发布了，我曾经因为少发了服务，导致服务不可用）
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？（注意：公司里面往往运行着成千上万的服务，对应日志文件繁多，找问题的时候，要避免找错日志文件，我曾因为找错日志文件，花了非常多的时间）
有谁在?

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?

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、

free -m
uptime
top/htop

注意以下问题:

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?
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?
服务器最大的负载来自什么地方? 平均负载是多少?

硬件

1、

lspci
dmidecode
ethtool

有很多服务器可能是硬件故障，具体看一下:

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? 是否正运行在半双工状态? 速度是10MBps? 有没有 TX/RX 报错?

IO性能

1、

iostat -kx 2
vmstat 2 10
mpstat 2 10
dstat --top-io --top-bio

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?
服务器硬盘是否已满?

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了？
是否有大文件被删除但没有清空?
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

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？
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/messages
less /var/log/secure
less /var/log/auth

具体关注以下问题:

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？
看看是否有硬件错误或文件系统错误?

定时任务

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:

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：
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？比如对数据库索引使用不当，或者太多的apache后台进程？

参考：https://www.chen-hao.com.cn/p...