摘要：也記錄一點心得供各位奮斗在一線的運維人員提供一點幫助遇到服務器故障，問題出現的原因很少可以一下就想到。在顯示的服務列表中的和進程列表中的是一樣的。通常我們建議每臺服務器上運行的服務少一點，必要時可以增加服務器。

我們團隊為Ucloud云計算服務提供專家技術支持,每天都要碰到無數的用戶故障,畢竟IAAS涉及比較底層的東西,不管設計的是大客戶也好還是小客戶,有了問題就必須要解決,也要要是再趕上修復時間緊、奇葩的技術平臺、缺少信息和文檔，基本上這過程都會慘痛到讓我們留下深刻的記憶。也記錄一點心得供各位奮斗在一線的運維人員提供一點幫助

遇到服務器故障，問題出現的原因很少可以一下就想到。我們基本上都會從以下步驟入手：

不要一下子就扎到服務器前面，你需要先搞明白對這臺服務器有多少已知的情況，還有故障的具體情況。不然你很可能就是在無的放矢。

必須搞清楚的問題有：

故障的表現是什么？無響應？報錯？

故障是什么時候發現的？

故障是否可重現？

有沒有出現的規律（比如每小時出現一次）

最后一次對整個平臺進行更新的內容是什么（代碼、服務器等）？

故障影響的特定用戶群是什么樣的(已登錄的, 退出的, 某個地域的…)?

基礎架構（物理的、邏輯的）的文檔是否能找到?

是否有監控平臺可用? （比如Munin、Zabbix、 Nagios、 New Relic… 什么都可以）

是否有日志可以查看?. （比如Logstack系統筆記的云日志服務）

最后兩個是最方便的信息來源，特別是日志系統,作為運維人員要善于和擅長查看日志,日志往往是你在沒有頭緒的時候給你最大的幫助,其實很多問題都在日志系統中暴露出來,比較方便的是使用系統筆記

$ w
$ last

用這兩個命令看看都有誰在線，有哪些用戶訪問過。這不是什么關鍵步驟，不過最好別在其他用戶正干活的時候來調試系統。有道是一山不容二虎嘛。（ne cook in the kitchen is enough.）

$ history

查看一下之前服務器上執行過的命令。看一下總是沒錯的，加上前面看的誰登錄過的信息，應該有點用。另外作為admin要注意，不要利用自己的權限去侵犯別人的隱私哦。

到這里先提醒一下，等會你可能會需要更新 HISTTIMEFORMAT 環境變量來顯示這些命令被執行的時間。對要不然光看到一堆不知道啥時候執行的命令，同樣會令人抓狂的。

$ pstree -a
$ ps aux

這都是查看現有進程的。 ps aux 的結果比較雜亂， pstree -a 的結果比較簡單明了，可以看到正在運行的進程及相關用戶。

$ netstat -ntlp
$ netstat -nulp
$ netstat -nxlp

我一般都分開運行這三個命令，不想一下子看到列出一大堆所有的服務。netstat -nalp倒也可以。不過我絕不會用 numeric 選項 （鄙人一點淺薄的看法：IP 地址看起來更方便）。

找到所有正在運行的服務，檢查它們是否應該運行。查看各個監聽端口。在netstat顯示的服務列表中的PID 和 ps aux 進程列表中的是一樣的。

如果服務器上有好幾個Java或者Erlang什么的進程在同時運行，能夠按PID分別找到每個進程就很重要了。

通常我們建議每臺服務器上運行的服務少一點，必要時可以增加服務器。如果你看到一臺服務器上有三四十個監聽端口開著，那還是做個記錄，回頭有空的時候清理一下，重新組織一下服務器。

$ free -m
$ uptime
$ top
$ htop

注意以下問題:

還有空余的內存嗎? 服務器是否正在內存和硬盤之間進行swap?

還有剩余的CPU嗎? 服務器是幾核的? 是否有某些CPU核負載過多了?

服務器最大的負載來自什么地方? 平均負載是多少?

$ lspci
$ dmidecode
$ ethtool

有很多服務器還是裸機狀態，可以看一下：

找到RAID 卡 (是否帶BBU備用電池?)、 CPU、空余的內存插槽。根據這些情況可以大致了解硬件問題的來源和性能改進的辦法。
網卡是否設置好? 是否正運行在半雙工狀態? 速度是10MBps? 有沒有 TX/RX 報錯?

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

這些命令對于調試后端性能非常有用。

檢查磁盤使用量：服務器硬盤是否已滿?

是否開啟了swap交換模式 (si/so)?

CPU被誰占用：系統進程? 用戶進程? 虛擬機?

dstat 是我的最愛。用它可以看到誰在進行 IO： 是不是MySQL吃掉了所有的系統資源? 還是你的PHP進程?

$ mount
$ cat /etc/fstab
$ vgs
$ pvs
$ lvs
$ df -h
$ lsof +D / /* beware not to kill your box */

一共掛載了多少文件系統?

有沒有某個服務專用的文件系統? (比如MySQL?)

文件系統的掛載選項是什么： noatime? default? 有沒有文件系統被重新掛載為只讀模式了？

磁盤空間是否還有剩余?

是否有大文件被刪除但沒有清空?

如果磁盤空間有問題，你是否還有空間來擴展一個分區？

$ sysctl -a | grep ...
$ cat /proc/interrupts
$ cat /proc/net/ip_conntrack /* may take some time on busy servers */
$ netstat
$ ss -s

你的中斷請求是否是均衡地分配給CPU處理，還是會有某個CPU的核因為大量的網絡中斷請求或者RAID請求而過載了？

SWAP交換的設置是什么？對于工作站來說swappinness 設為 60 就很好, 不過對于服務器就太糟了：你最好永遠不要讓服務器做SWAP交換，不然對磁盤的讀寫會鎖死SWAP進程。

conntrack_max 是否設的足夠大，能應付你服務器的流量?

在不同狀態下(TIME_WAIT, …)TCP連接時間的設置是怎樣的？

如果要顯示所有存在的連接，netstat 會比較慢， 你可以先用 ss 看一下總體情況。

你還可以看一下 Linux TCP tuning 了解網絡性能調優的一些要點。

$ dmesg
$ less /var/log/messages
$ less /var/log/secure
$ less /var/log/auth

查看錯誤和警告消息，比如看看是不是很多關于連接數過多導致？

看看是否有硬件錯誤或文件系統錯誤?

分析是否能將這些錯誤事件和前面發現的疑點進行時間上的比對。如果你有多臺機器,看起來很不方便,可以事先把日志存儲在系統筆記的云日志服務器上,支持全文模糊查找,

$ ls /etc/cron* + cat
$ for user in $(cat /etc/passwd | cut -f1 -d:); do crontab -l -u $user; done

是否有某個定時任務運行過于頻繁?

是否有些用戶提交了隱藏的定時任務?

在出現故障的時候，是否正好有某個備份任務在執行？

這里邊可分析的東西就多了, 不過恐怕你作為運維人員是沒功夫去仔細研究它的。關注那些明顯的問題，比如在一個典型的LAMP（Linux+Apache+Mysql+Perl）應用環境里:

Apache & Nginx; 查找訪問和錯誤日志, 直接找 5xx 錯誤, 再看看是否有 limit_zone 錯誤。

這里查看了下,并沒有503的,只有403的錯誤.所以可以跳過

MySQL; 在mysql.log找錯誤消息，看看有沒有結構損壞的表， 是否有innodb修復進程在運行，是否有disk/index/query 問題.

PHP-FPM; 如果設定了 php-slow 日志, 直接找錯誤信息 (php, mysql, memcache, …)，如果沒設定，趕緊設定。

Varnish; 在varnishlog 和 varnishstat 里, 檢查 hit/miss比. 看看配置信息里是否遺漏了什么規則，使最終用戶可以直接攻擊你的后端？

HA-Proxy; 后端的狀況如何？健康狀況檢查是否成功？是前端還是后端的隊列大小達到最大值了？

經過這5分鐘之后，你應該對如下情況比較清楚了：

在服務器上運行的都是些啥？

這個故障看起來是和 IO/硬件/網絡 或者 系統配置 (有問題的代碼、系統內核調優, …)相關。

這個故障是否有你熟悉的一些特征？比如對數據庫索引使用不當，或者太多的apache后臺進程。

你甚至有可能找到真正的故障源頭。就算還沒有找到，搞清楚了上面這些情況之后，你現在也具備了深挖下去的條件。繼續努力吧！