運維人員處理雲服務器故障的方法總結

咱們團隊爲Ucloud雲計算服務提供專家技術支持,天天都要碰到無數的用戶故障,畢竟IAAS涉及比較底層的東西,無論設計的是大客戶也好仍是小客戶,有了問題就必需要解決,也要要是再遇上修復時間緊、奇葩的技術平臺、缺乏信息和文檔，基本上這過程都會慘痛到讓咱們留下深入的記憶。也記錄一點心得供各位奮鬥在一線的運維人員提供一點幫助

遇到服務器故障，問題出現的緣由不多能夠一下就想到。咱們基本上都會從如下步驟入手：

1、儘量搞清楚問題的來龍去脈

不要一會兒就扎到服務器前面，你須要先搞明白對這臺服務器有多少已知的狀況，還有故障的具體狀況。否則你極可能就是在無的放矢。

必須搞清楚的問題有：

故障的表現是什麼？無響應？報錯？
故障是何時發現的？
故障是否可重現？
有沒有出現的規律（好比每小時出現一次）
最後一次對整個平臺進行更新的內容是什麼（代碼、服務器等）？
故障影響的特定用戶羣是什麼樣的(已登陸的, 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? （好比Munin、Zabbix、 Nagios、 New Relic… 什麼均可以）

是否有日誌能夠查看?. （好比Logstack系統筆記的雲日誌服務）
最後兩個是最方便的信息來源，特別是日誌系統,做爲運維人員要善於和擅長查看日誌,日誌每每是你在沒有頭緒的時候給你最大的幫助,其實不少問題都在日誌系統中暴露出來,比較方便的是使用系統筆記

2、有誰在?

$ w
$ last
用這兩個命令看看都有誰在線，有哪些用戶訪問過。這不是什麼關鍵步驟，不過最好別在其餘用戶正幹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.）

3、以前發生了什麼?

$ history
查看一下以前服務器上執行過的命令。看一下老是沒錯的，加上前面看的誰登陸過的信息，應該有點用。另外做爲admin要注意，不要利用本身的權限去侵犯別人的隱私哦。

到這裏先提醒一下，等會你可能會須要更新 HISTTIMEFORMAT 環境變量來顯示這些命令被執行的時間。對要否則光看到一堆不知道啥時候執行的命令，一樣會使人抓狂的。

4、如今在運行的進程是啥?

$ 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 的結果比較簡單明瞭，能夠看到正在運行的進程及相關用戶。

5、監聽的網絡服務

$ netstat -ntlp
$ netstat -nulp
$ netstat -nxlp
我通常都分開運行這三個命令，不想一會兒看到列出一大堆全部的服務。netstat -nalp倒也能夠。不過我毫不會用 numeric 選項 （鄙人一點淺薄的見解：IP 地址看起來更方便）。

找到全部正在運行的服務，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 進程列表中的是同樣的。

若是服務器上有好幾個Java或者Erlang什麼的進程在同時運行，可以按PID分別找到每一個進程就很重要了。

一般咱們建議每臺服務器上運行的服務少一點，必要時能夠增長服務器。若是你看到一臺服務器上有三四十個監聽端口開着，那仍是作個記錄，回頭有空的時候清理一下，從新組織一下服務器。

6、CPU 和內存

$ free -m
$ uptime
$ top
$ htop
注意如下問題:

還有空餘的內存嗎? 服務器是否正在內存和硬盤之間進行swap?
還有剩餘的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麼地方? 平均負載是多少?

7、硬件

$ lspci
$ dmidecode
$ ethtool
有不少服務器仍是裸機狀態，能夠看一下：

找到RAID 卡 (是否帶BBU備用電池?)、 CPU、空餘的內存插槽。根據這些狀況能夠大體瞭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?
8、IO 性能

$ iostat -kx 2
$ vmstat 2 10
$ mpstat 2 10
$ dstat --top-io --top-bio
這些命令對於調試後端性能很是有用。

檢查磁盤使用量：服務器硬盤是否已滿?
是否開啓了swap交換模式 (si/so)?
CPU被誰佔用：系統進程? 用戶進程? 虛擬機?
dstat 是個人最愛。用它能夠看到誰在進行 IO： 是否是MySQL吃掉了全部的系統資源? 仍是你的PHP進程?
9、掛載點 和 文件系統

$ 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? (好比MySQL?)
文件系統的掛載選項是什麼： noatime? default? 有沒有文件系統被從新掛載爲只讀模式了？
磁盤空間是否還有剩餘?
是否有大文件被刪除但沒有清空?
若是磁盤空間有問題，你是否還有空間來擴展一個分區？
10、內核、中斷和網絡

$ sysctl -a | grep ...
$ cat /proc/interrupts
$ cat /proc/net/ip_conntrack /* may take some time on busy servers */
$ netstat
$ ss -s
你的中斷請求是不是均衡地分配給CPU處理，仍是會有某個CPU的核由於大量的網絡中斷請求或者RAID請求而過載了？
SWAP交換的設置是什麼？對於工做站來講swappinness 設爲 60 就很好, 不過對於服務器就太糟了：你最好永遠不要讓服務器作SWAP交換，否則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?
在不一樣狀態下(TIME_WAIT, …)TCP鏈接時間的設置是怎樣的？
若是要顯示全部存在的鏈接，netstat 會比較慢， 你能夠先用 ss 看一下整體狀況。
你還能夠看一下 Linux TCP tuning 瞭解網絡性能調優的一些要點。

11、系統日誌和內核消息

$ dmesg
$ less /var/log/messages
$ less /var/log/secure
$ less /var/log/auth
查看錯誤和警告消息，好比看看是否是不少關於鏈接數過多致使？
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。若是你有多臺機器,看起來很不方便,能夠事先把日誌存儲在系統筆記的雲日誌服務器上,支持全文模糊查找,

12、定時任務

$ 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於頻繁?
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？
十3、應用系統日誌

這裏邊可分析的東西就多了, 不過恐怕你做爲運維人員是沒功夫去仔細研究它的。關注那些明顯的問題，好比在一個典型的LAMP（Linux+Apache+Mysql+Perl）應用環境裏:

Apache & Nginx; 查找訪問和錯誤日誌, 直接找 5xx 錯誤, 再看看是否有 limit_zone 錯誤。
這裏查看了下,並無503的,只有403的錯誤.因此能夠跳過

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; 若是設定了 php-slow 日誌, 直接找錯誤信息 (php, mysql, memcache, …)，若是沒設定，趕忙設定。
Varnish; 在varnishlog 和 varnishstat 裏, 檢查 hit/miss比. 看看配置信息裏是否遺漏了什麼規則，使最終用戶能夠直接攻擊你的後端？
HA-Proxy; 後端的情況如何？健康情況檢查是否成功？是前端仍是後端的隊列大小達到最大值了？
結論

通過這5分鐘以後，你應該對以下狀況比較清楚了：

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徵？好比對數據庫索引使用不當，或者太多的apache後臺進程。你甚至有可能找到真正的故障源頭。就算尚未找到，搞清楚了上面這些狀況以後，你如今也具有了深挖下去的條件。繼續努力吧！