服务器监控(包括性能指标与web应用程序)

服务器监控

?? 在搭建服务器时，除了部署webapp之外，还需要服务的异常信息与服务器性能指标进行监控，一旦有异常则通知管理员。
?? 服务器使用Linux+Nginx-1.9.15+Tomcat7+Java搭建的。
?? 编写脚本检测错误日志和服务器性能指标，一旦新生错误日志或者性能降低到设定的阈值时，则使用云监控将报警上传到云账号。

服务运行监控

?? 错误日志包含以下三个方面：

• nginx 错误信息监控(nginx.conf配置)
  
  • ${NGINX_HOME}/logs/error.log
• tomcat 错误信息监控(server.xml配置)
  
  • ${TOMCAT_HOME}/logs/catalina.out
• webapp错误信息监控(log4j)
  
  • ${WEBAPP_HOME}/log/error

机器性能指标

?? 一般都会使用linux系统的机器作为服务器，那么当在上面搭建服务时，需要对一些常用的性能指标进行监控，那么一般包含哪些指标呢？下面对其进行一些总结，欢迎补充…

指标

• CPU(Load) CPU使用率/负载
• Memory 内存
• Disk 磁盘空间
• Disk I/O 磁盘I/O
• Network I/O 网络I/O
• Connect Num 连接数
• File Handle Num 文件句柄数
  …

CPU

1. 说明
   ?? 机器的CPU占有率越高，说明机器处理越忙，运算型任务越多。一个任务可能不仅会有运算部分，还会有I/O(磁盘I/O与网络I/O)部分，当在处理I/O时，时间片未完其CPU也会释放，因此某个时间点的CPU占有率没有太大的意义，因此需要计算一段时间内的平均值，那么平均负载(Load Average)这个指标便能很好得对其进行表征。平均负载：它是根据一段时间内占有CPU的进程数目和等待CPU的进程数目计算出来的，其中等待CPU的进程不包括处于wait状态的进程，比如在等待I/O的进程，即指那些就绪状态的进程，运行只缺CPU这个资源。具体如何计算可以参见Linux内核代码，计算出一个数之后，然后除以CPU核数，结果：

   • <=3 则系统性能较好。
   • <=4 则系统性能可以，可以接收。
   • >5 则系统性能负载过重，可能会发生严重的问题，那么就需要扩容了，要么增加核，要么分布式集群。

2. 查看命令

   • vmstat
vmstat n m
     n表示每隔n秒采集一次，m表示一共采集多少次，如果m没有，那么会一直采集下去. 在终端键入 vmstat 5
     
     结果各字段解释如下(这里只解释与CPU相关的)：
     r：表示运行队列(就是说多少个进程真的分配到CPU)，当这个值超过了CPU数目，就会出现CPU瓶颈了。这个也和top的负载有关系，一般负载超过了3就比较高，超过了5就高，超过了10就不正常了，服务器的状态很危险。top的负载类似每秒的运行队列。如果运行队列过大，表示你的CPU很繁忙，一般会造成CPU使用率很高。
     b：表示阻塞的进程，如在等待I/O请求。
     in：每秒CPU的中断次数，包括时间中断。
     cs：每秒上下文切换次数，例如我们调用系统函数，就要进行上下文切换，线程的切换，也要进程上下文切换，这个值要越小越好，太大了，要考虑调低线程或者进程的数目，例如在apache和nginx这种web服务器中，我们一般做性能测试时会进行几千并发甚至几万并发的测试，选择web服务器的进程可以由进程或者线程的峰值一直下调，压测，直到cs到一个比较小的值，这个进程和线程数就是比较合适的值了。系统调用也是，每次调用系统函数，我们的代码就会进入内核空间，导致上下文切换，这个是很耗资源，也要尽量避免频繁调用系统函数。上下文切换次数过多表示你的CPU大部分浪费在上下文切换，导致CPU干正经事的时间少了，CPU没有充分利用，是不可取的。
     us：用户CPU时间占比(%)，例如在做高运算的任务时，如加密解密，那么会导致us很大，这样，r也会变大，造成系统瓶颈。
     sy：系统CPU时间占比(%)，如果太高，表示系统调用时间长，如IO频繁操作。
     id ：空闲 CPU时间占比(%)，一般来说，id + us + sy = 100,一般认为id是空闲CPU使用率，us是用户CPU使用率，sy是系统CPU使用率。
     wt：等待IO的CPU时间。
   • uptime
     
     17:53:46为当前时间
     up 158 days, 6:23机器运行时间，时间越大说明你的机器越稳定
     2 users用户连接数，而不是总用户数
     oad average: 0.00, 0.00, 0.00 最近1分钟，5分钟，15分钟的系统平均负载。
     将平均负载值除以核数，如果结果不大于3，那么系统性能较好，如果不大于4那么系统性能可以接受，如果大于5，那么系统性能较差。
   • top
     
     top命令用于显示进程信息，top详细见http://www.cnblogs.com/peida/archive/2012/12/24/2831353.html
     这里主要关注Cpu(s)统计那一行:
     us：用户空间占用CPU的百分比
     sy：内核空间占用CPU的百分比
     ni：改变过优先级的进程占用CPU的百分比
     id： 空闲CPU百分比
     wa： IO等待占用CPU的百分比
     hi：硬中断（Hardware IRQ）占用CPU的百分比
     si：软中断（Software Interrupts）占用CPU的百分比
     从top的结果看CPU负载情况，主要看us和sy，其中us<=70，sy<=35，us+sy<=70说明状态良好，同时可以结合idle值来看，如果id<=70 则表示IO的压力较大。也可以和uptime一样，看第一行。引用[1]
3. 分析
   表示系统CPU正常，主要有以下规则：
   
   • CPU利用率：us <= 70，sy <= 35，us + sy <= 70。引用[1]
   • 上下文切换：与CPU利用率相关联，如果CPU利用率状态良好，大量的上下文切换也是可以接受的。引用[1]
   • 可运行队列：每个处理器的可运行队列<=3个线程。

Memory

1. 说明
   ?? 内存也是系统运行性能的一个很重要的指标，如果一个机器内存不足，那么将会导致进程运行异常而退出。如果进程发生内存泄漏，则会导致大量内存被浪费而无足够可用内存。内存监控一般包括total(机器总内存)、free(机器可用内存)、swap(交换区大小)、cache(缓存大小)等。

2. 查看命令

   • vmstat
     
     结果各字段解释如下(这里只解释与Memory相关的)：
     swpd：虚拟内存已使用的大小，如果大于0，表示你的机器物理内存不足了，如果不是程序内存泄露的原因，那么你该升级内存了或者把耗内存的任务迁移到其他机器，单位为KB。
     free ：空闲的物理内存的大小，我的机器内存总共8G，剩余4457612KB，单位为KB。
     buff：Linux/Unix系统来存储目录里面有什么内容，权限等的缓存，这里大概占用280M，单位为KB。
     cache：cache直接用来记忆我们打开的文件，给文件做缓冲，这里大概占用280M(这里是Linux/Unix的聪明之处，把空闲的物理内存的一部分拿来做文件、目录和进程地址空间的缓存，是为了提高程序执行的性能，当程序使用内存时，buffer/cached会很快地被使用)，单位为KB。
     si： 每秒从磁盘读入虚拟内存的大小，如果这个值大于0，表示物理内存不够用或者内存泄露了，要查找耗内存进程解决掉。本机内存充裕，一切正常，单位为KB。
     so：每秒虚拟内存写入磁盘的大小，如果这个值大于0，同上，单位为KB。
   • free
     
     第二行是内存信息，total为机器总内存，used为多少已经使用，free为多少空闲，shared为多个进程共享的内存总额，buffers与cache都是磁盘缓存的大小，分别同vmstat里面的buff与cache. 单位都是M.
     第三行是buffers与cache总额的used与free. 单位都是M.
     第四行是交换区swap的总额、已用与free. 单位都是M.
     区别：第二行(mem)的used/free与第三行(-/+ buffers/cache) used/free的区别。 这两个的区别在于使用的角度来看，第二行是从OS的角度来看，因为对于OS，buffers/cached 都是属于被使用，所以他的可用内存是4353M, 已用内存是3519M, 其中包括，内核（OS）使用+Application(X, oracle,etc)使用的+buffers+cached.
     第三行所指的是从应用程序角度来看，对于应用程序来说，buffers/cached 是等于可用的，因为buffer/cached是为了提高文件读取的性能，当应用程序需在用到内存的时候，buffer/cached会很快地被回收。
     所以从应用程序的角度来说，可用内存=系统free memory+buffers+cached。
   • top
     
     只关注与内存相关的统计信息，即Mem与Swap行。分别是Mem与Swap的总额、已用量、空闲量、buffers与cache. 这里便验证了buffers是缓存目录里面有什么内容，权限等信息的，而cache是用来swap的缓存的.
   • cat /proc/meminfo
     
     主要这几个字段：
     MemTotal：内存总额
     MemFree：内存空闲量
     Buffers：同top命令的buffers
     Cached：同top命令的cache
     SwapToatl：Swap区总大小
     SwapFree：Swap区空闲大小

3. 分析
   表示系统Mem正常，主要有以下规则：

   • swap in (si) == 0，swap out (so) == 0
   • 可用内存/物理内存 >= 30%

磁盘

1. 说明
   ?? 机器的磁盘空间也是一个重要的指标，一旦使用率超过阈值而使得可用不足，那么就需要进行扩容或者清除一些无用的文件。
2. 查看命令
   
   • df
     
     Filesystem：文件系统的名称
     1K-blocks：1K块的文件系统
     Used：已使用量，单位为KB
     Available：空闲量，单位为KB
     Use%：已使用占比
     Mounted on：挂载的目录
3. 分析
   表示系统磁盘空间正常，主要有以下规则：
   
   • Use% <= 90%

磁盘I/O

1. 说明
   ?? 机器的磁盘空间也是一个重要的指标，一旦磁盘I/O过重，那么说明运行的进程在大量的文件读写并且cache命中率低。那么一个简单的方法便是增大文件缓存大小来提高命中率从而降低I/O。
   ?? 在Linux中，内核希望能尽可能产生次缺页中断（从文件缓存区读），并且能尽可能避免主缺页中断（从硬盘读），这样随着缺页中断的增多，文件缓存区也逐步增大，直到系统只有少量可用物理内存的时候 Linux 才开始释放一些不用的页。引用[1]
2. 查看命令
   
   • vmstat
     
     bi ：块设备每秒接收的块数量，这里的块设备是指系统上所有的磁盘和其他块设备，默认块大小1024byte。
     bo：块设备每秒发送的块数量，例如我们读取文件，bo就要大于0。bi和bo一般都要接近0，不然就是IO过于频繁，需要调整。
   • iostat
     
     Linux段为机器系统信息： 系统名称、hostname、当前时间、系统版本.
     avg-cpu段为cpu的统计信息(平均值)：
     %user：用户级别运行所使用的CPU的百分比.
     %nice：nice操作所使用的CPU的百分比.
     %sys：在系统级别(kernel)运行所使用CPU的百分比.
     %iowait：CPU等待硬件I/O时,所占用CPU百分比.
     %idle：CPU空闲时间的百分比.
     Device段段为设备信息(上图中有两个盘vda与vdb)：
     tps: 每秒钟发送到的I/O请求数.
     Blk_read/s: 每秒读取的block数.
     Blk_wrtn/s: 每秒写入的block数.
     Blk_read: 读入的block总数.
     Blk_wrtn: 写入的block总数.
   • sar -d 1 1

sar -d表示查看磁盘报告 1 1 表示间隔1s，运行1次
     其实cpu、缓存区、文件读写、系统交换区等信息都可以通过该命令查看，只是选项不同，具体参见：http://blog.chinaunix.net/uid-23177306-id-2531032.html
     第一个段为机器系统信息，同iostat
     第二个段为每次运行的dev I/O信息，这里因为只运行一次，并有两个设备dev252-0与dev252-16：
     tps：每秒从物理磁盘I/O的次数.多个逻辑请求会被合并为一个I/O磁盘请求,一次传输的大小是不确定的.
     rd_sec/s：每秒读扇区数
     wr_sec/s：每秒写扇区数
     avgrq-sz：平均每次设备I/O操作的数据大小 (扇区)
     avgqu-sz：平均I/O队列长度
     await：为平均每次设备I/O操作的等待时间(单位ms)，包括请求在队列中的等待时间和服务时间
     svctm：为平均每次设备I/O操作的服务时间(单位ms)
     %util：表示一秒中有百分之几的时间用于I/O操作
     如果svctm的值与await很接近，表示几乎没有I/O等待，磁盘性能很好，如果await的值远高于svctm的值，则表示I/O队列等待太长，系统上运行的应用程序将变慢。
     如果%util接近100%，表示磁盘产生的I/O请求太多，I/O系统已经满负荷的在工作，该磁盘请求饱和，可能存在瓶颈。idle小于70% I/O压力就较大了，也就是有较多的I/O。引用[1]
     同时可以结合vmstat 查看b参数(等待资源的进程数)和wa参数(IO等待所占用的CPU时间的百分比，高过30%时IO压力高)。引用[1]
3. 分析
   表示系统磁盘空间正常，主要有以下规则：
   
   • I/O等待的请求比例 <= 20%
   • 提高命中率的一个简单方式就是增大文件缓存区面积，缓存区越大预存的页面就越多，命中率也越高。
   • Linux 内核希望能尽可能产生次缺页中断（从文件缓存区读），并且能尽可能避免主缺页中断（从硬盘读），这样随着次缺页中断的增多，文件缓存区也逐步增大，直到系统只有少量可用物理内存的时候 Linux 才开始释放一些不用的页。引用[1]

网络I/O

1. 说明
   ?? 如果服务器网络连接过多，那么会造成大量的数据包在缓冲区长时间得不到处理，一旦缓冲区不足，便会造成数据包丢失问题，对于TCP，数据包丢失便会进行重传，这有会导致大量的重传；对于UDP，数据包丢失不会进行重传，那么数据便会丢失。因此，服务器的网络连接不宜过多，需要进行监控。
   ??服务器一般接收UDP与TCP请求，都是无状态连接，TCP(传输控制协议)是一种提供可靠的数据传输协议，UDP(用户数据报协议)是一种面向无连接的协议，即其传输简单但不可靠。关于它们二者之间的区别，可以查阅相关资料。

2. 查看命令

   • netstat
     
     • UDP
       (1) netstat -ludp | grep udp
       
       Proto：协议名
       Recv-Q：收到的请求个数
       Send-Q：发送的请求个数
       Local Address：本地地址与端口
       Foreign Address：远程地址与端口
       State：状态
       PID/Program name：进程ID与进程名
       (2) 进一步查看UDP接收的数据包情况 netstat -su
       
       画圈的便是UDP数据包丢失统计，该项值增加了，说明存在udp数据包丢失，即网卡收到了，但是应用层没有来得及处理而造成的丢包。
     • TCP
       (1) netstat
       
       各字段含义同UDP
       (2) 查看重传率
       因为TCP是可靠传输协议，如果数据包丢失会进行重传，因此TCP需要查看其重传率.
       cat /proc/net/snmp | grep Tcp
       
       那么重传率为RetransSegs/OutSegs
3. 分析
   UDP丢包率或者TCP重传率不能高于多少，这两个值由系统开发定义，此处，拍脑袋决定UDP包丢包率与TCP包重传率不能超过1%/s。

连接数

1. 说明
   ?? 对于每一台服务器，都应该限制同时连接数，但是这个阈值又不好确定，因此当监测到系统负载过重时，然后取其连接数，这个值便可作为参考值。
2. 命令
   
   • netstat
     netstat -na | sed -n ‘3,$p‘ |awk ‘{print $5}‘ | grep -v 127\.0\.0\.1 | grep -v 0\.0\.0\.0 | wc -l
     
3. 分析
   
   • 系统负载过重时，该值作为服务器的峰值参考值。
   • 如果超过1024报警

文件句柄数

1. 说明
   ?? 文件句柄数即当前打开的文件数，对于linux，系统默认支持的最大句柄数是1024，当然每个系统可以不一样，也可以修改，最大不能超过无符号整型最大值(65535)，可以使用ulimit -n命令进行查看，即因此如果同时打开的文件数超过这个数便会发生异常。因此这个指标也需要进行监控。
2. 查看命令
   
   • lsof
     lsof -n | awk ‘{print $1,$2}‘ | sort | uniq -c | sort -nr
     
     三列分别是打开的文件句柄数, 进程名，进程号
3. 分析
   将所有的行的第一列相加便是系统目前打开的文件句柄数num，如果num<=max_num*85%则报警。

性能指标总结

• CPU
  
  • CPU利用率：us <= 70，sy <= 35，us + sy <= 70。
  • 上下文切换：与CPU利用率相关联，如果CPU利用率状态良好，大量的上下文切换也是可以接受的。
  • 可运行队列：每个处理器的可运行队列<=3个线程。
• Memory
  
  • swap in (si) == 0，swap out (so) == 0
  • 可用内存/物理内存 >= 30%
• Disk
  
  • Use% <= 90%
• Disk I/O
  
  • I/O等待的请求比例 <= 20%
• Network I/O
  
  • UDP包丢包率与TCP包重传率不能超过1%/s。
• Connect Num
  
  • <= 1024
• File Handle Num
  
  • num/max_num <= 90%

总结

? ? 脚本检测nginx、tomcat与webapp运行异常日志(包括nginx与tomcat是否正在运行)与服务器性能七个指标，一旦发现异常信息和性能超标，那么马上发送邮件给管理员，也可以使用云监控push给管理员的云账号。

参考

[1]http://pmghong.blog.51cto.com/3221425/1230423
[2]http://www.cnblogs.com/peida/tag/linux%E5%91%BD%E4%BB%A4/