解决故障的处理思路

约定不等于承诺〃 2022-01-29 15:53 316阅读 0赞

> 在有那么一瞬间，遇到服务器故障可能会手足无措，完全不知道自己应该干些什么，该如何处理。这里就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。

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）？
 *  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?

有谁在?

1 w  
2 last  
3 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?

1 pstree -a

2 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

2 uptime

3 top/htop

`注意以下问题:`

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?

硬件

1 lspci

2 dmidecode

3 ethtool

`有很多服务器可能是硬件故障，具体看一下:`

1.  RAID 卡 (是否带BBU备用电池?)
2.  CPU、空余的内存插槽?
3.  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

2 vmstat 2 10

3 mpstat 2 10

4 dstat --top-io --top-bio

`具体关注以下问题:`

1.  是否开启了swap交换模式 (si/so)?
2.  CPU被谁占用：系统进程? 用户进程? 虚拟机?
3.  服务器硬盘是否已满?

文件系统

1 mount

2 cat /etc/fstab

3 vgs/pvs/lvs

4 df -h

5 lsof

`具体关注以下问题:`

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? \\
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.  是否有大文件被删除但没有清空?
5.  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

1 sysctl -a | grep ...

2 cat /proc/interrupts

3 cat /proc/net/ip\_conntrack /\* may take some time on busy servers \*/

4 ss -s

`具体关注以下问题:`

1.  内核是否做什么相关优化？
2.  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？
3.  在不同状态下(TIME\_WAIT, …)TCP连接时间的设置是怎样的？

系统日志

1 dmesg

2 less /var/log/messages

3 less /var/log/secure

4 less /var/log/auth

`具体关注以下问题:`

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?

定时任务

1 ls /etc/cron\* + cat

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

`具体关注以下问题:`

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？

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：

1.  在服务器上运行的都是些啥？
2.  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？
3.  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？

原文章：[https://www.chen-hao.com.cn/posts/37696/][https_www.chen-hao.com.cn_posts_37696]

[https_www.chen-hao.com.cn_posts_37696]: https://www.chen-hao.com.cn/posts/37696/