做为一个运维在遇到服务器故障时，问题出现的原因一般很少可以一下就想到。这时候我们就需要有条理的从几个方面入手排查，不要像无头苍蝇一样一头扎进去。
一、尽可能搞清楚问题的前因后果
1、故障的表现是什么？无响应？报错？2、故障是什么时候发现的？3、故障是否可重现？4、有没有出现的规律(比如每小时出现一次)5、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)？6、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…)?7、基础架构(物理的、逻辑的)的文档是否能找到?8、是否有监控平台可用?(比如Zabbix、 Nagios、 cacti… )9、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。二、有谁在?
用下面两个命令看看都有谁在线，有哪些用户访问过$ w$ last三、之前发生了什么?
查看一下之前服务器上执行过的命令$ history正常情况我们运行history命令是不会显示命令被执行的时间的。所以我们还需要设置下HISTTIMEFORMAT的环境变量，命令如下：$ export HISTTIMEFORMAT='%F %T'四、现在在运行的进程是啥?
用下面两个命令可以看到正在运行的进程及相关用户,推荐用pstree$ pstree -a$ psaux五、监听的网络服务
查看所有正在运行的服务，检查它们是否应该运行，下面3个命令可以分开查看，不至于一下子列出一大堆服务$ netstat -ntlp$ netstat -nulp$ netstat -nxlp六、CPU和内存
通过下面4个命令检查1、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?2、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?3、服务器最大的负载来自什么地方? 平均负载是多少?$ free -m$ uptime$ top$ htop七、硬件
通过下面3个命令检查1、找到RAID卡 (是否带BBU备用电池)、 CPU、空余的内存插槽。根据这些情况可以大致了解硬件问题的来源和性能改进的办法2、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?$ lspci$ dmidecode$ ethtool八、IO 性能
通过下面4个命令检查(这些命令对于调试后端性能非常有用)1、服务器硬盘是否已满?2、是否开启了swap交换模式 (si/so)?3、CPU被谁占用：系统进程? 用户进程? 虚拟机?4、谁在进行 IO：是不是数据库吃掉了所有的系统资源? 还是你的PHP或jiva进程?$ iostat -kx 2$ vmstat 2 10$ mpstat 2 10$ dstat --top-io --top-bi九、挂载点和文件系统
通过下面几个命令检查1、一共挂载了多少文件系统?2、有没有某个服务专用的文件系统? (比如数据库?)3、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？4、磁盘空间是否还有剩余?5、是否有大文件被删除但没有清空?6、如果磁盘空间有问题，你是否还有空间来扩展一个分区？$ mount $ cat /etc/fstab$ vgs $ pvs$ lvs $ df -h$ lsof+D / /* beware not tokillyour box */十、内核、中断和网络
通过下面命令检查1、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？2、SWAP交换的设置是什么？对于工作站来说swappinness 设为 60 就很好, 不过对于服务器就太糟了：你最好永远不要让服务器做SWAP交换，不然对磁盘的读写会锁死SWAP进程3、conntrack_max 是否设的足够大，能应付你服务器的流量?4、在不同状态下(TIME_WAIT, …)TCP连接时间的设置是怎样的？5、如果要显示所有存在的连接，netstat 会比较慢， 你可以先用 ss 看一下总体情况$ sysctl -a | grep...$ cat /proc/interrupts $ cat /proc/net/ip_conntrack /* may take sometimeon busy servers */$ netstat$ ss -s十一、系统日志和内核消息
通过下面命令检查1、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？2、看看是否有硬件错误或文件系统错误?3、分析是否能将这些错误事件和前面发现的疑点进行时间上的比对$ dmesg$ less /var/log/messages $ less /var/log/secure $ less /var/log/auth十二、定时任务
通过下面命令检查1、是否有某个定时任务运行过于频繁?2、是否有些用户提交了隐藏的定时任务?3、在出现故障的时候，是否正好有某个备份任务在执行？$ ls /etc/cron* +cat $ foruserin$(cat /etc/passwd|cut-f1 -d:);docrontab -l -u $user;done十三、应用系统日志
这边以LAMP(Linux+Apache+Mysql+Perl)应用环境举例：1、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2、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3、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4、Varnish; 在varnishlog 和 varnishstat 里, 检查 hit/miss比. 看看配置信息里是否遗漏了什么规则，使最终用户可以直接攻击你的后端？5、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？继续关注，后续持续更新......
目前10000+人已关注加入我们
被折叠的 条评论
为什么被折叠?
到【灌水乐园】发言
