码迷,mamicode.com
首页 > 其他好文 > 详细

如何快速定位云主机的故障

时间:2015-06-19 10:42:10      阅读:149      评论:0      收藏:0      [点我收藏+]

标签:

作为一名从事Linux运维行业多年的运维人员,分享一下曾经在运维过程中遇到过的荆手的故障分析,供大家分享,如果你在使用云计算中有什么问题,可以根据以下方式来查找 
遇到服务器故障,问题出现的原因很少可以一下就想到。我基本上都会从以下步骤入手: 
一、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? (比如Munin、Zabbix、 Nagios、 New Relic… 什么都可以) 
技术分享是 否有日志可以查看?. (比如Logstack系统笔记的云日志服务 )最后两个是最方便的信息来源,特别是日志系统,作为运维人员要善于和擅长查看日志,日志往往是你在没有头绪的时候给你最大的帮助,其实很多问题都在日志 系统中暴露出来,比较方便的是使用系统笔记 ,是的,云日志系统往往是你没有头绪最好的帮手,可以访问www.logstack.cn获得免费服务 
技术分享 
二、有谁在? 
$ w$ last用这两个命令看看都有谁在线,有哪些用户访问过。这不是什么关键步骤,不过最好别在其他用户正干活的时候来调试系统。有道是一山不容二虎嘛。(ne cook in the kitchen is enough.) 
三、之前发生了什么? 
$ 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。另外作为admin要注意,不要利用自己的权限去侵犯别人的隐私哦。 
到这里先提醒一下,等会你可能会需要更新 HISTTIMEFORMAT 环境变量来显示这些命令被执行的时间。对要不然光看到一堆不知道啥时候执行的命令,同样会令人抓狂的。 
四、现在在运行的进程是啥? 
$ pstree -a$ 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。 
五、监听的网络服务 
$ netstat -ntlp$ netstat -nulp$ netstat -nxlp我一般都分开运行这三个命令,不想一下子看到列出一大堆所有的服务。netstat -nalp倒也可以。不过我绝不会用 numeric 选项 (鄙人一点浅薄的看法:IP 地址看起来更方便)。 
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。在netstat显示的服务列表中的PID 和 ps aux 进程列表中的是一样的。 
如果服务器上有好几个Java或者Erlang什么的进程在同时运行,能够按PID分别找到每个进程就很重要了。 
通常我们建议每台服务器上运行的服务少一点,必要时可以增加服务器。如果你看到一台服务器上有三四十个监听端口开着,那还是做个记录,回头有空的时候清理一下,重新组织一下服务器。 
六、CPU 和内存 
$ free -m$ uptime$ top$ htop注意以下问题: 
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?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?服务器最大的负载来自什么地方? 平均负载是多少? 
七、硬件 
$ lspci$ dmidecode$ ethtool有很多服务器还是裸机状态,可以看一下: 
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。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?八、IO 性能 
$ iostat -kx 2$ vmstat 2 10$ mpstat 2 10$ dstat --top-io --top-bio这些命令对于调试后端性能非常有用。 
检 查磁盘使用量:服务器硬盘是否已满?是否开启了swap交换模式 (si/so)?CPU被谁占用:系统进程? 用户进程? 虚拟机?dstat 是我的最爱。用它可以看到谁在进行 IO: 是不是MySQL吃掉了所有的系统资源? 还是你的PHP进程?九、挂载点 和 文件系统 
$ mount$ cat /etc/fstab$ vgs$ pvs$ lvs$ df -h$ lsof +D / /* beware not to kill your box */一共挂载了多少文件系统?有没有某个服务专用的文件系统? (比如MySQL?)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?磁盘空间是否还有剩余?是否有大文件被删除但没有清空?如果磁盘空间有问题,你是否还有空间来扩展一个分区?十、 内核、中断和网络 
$ sysctl -a | grep ...$ cat /proc/interrupts$ cat /proc/net/ip_conntrack /* may take some time on busy servers */$ netstat$ ss -s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?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。conntrack_max 是否设的足够大,能应付你服务器的流量?在不同状态下(TIME_WAIT, …)TCP连接时间的设置是怎样的?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。你还可以看一下 Linux TCP tuning 了解网络性能调优的一些要点。 
十一、系统日志和内核消息 
$ dmesg$ less /var/log/messages$ less /var/log/secure$ less /var/log/auth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?看看是否有硬件错误或文件系统错误?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。如果你有多台机器,看起来很不方便,可以事先把日志存储在系统笔记的云日志服务器上,支持全文模糊查找, 
十二、定时任务 
$ ls /etc/cron* + cat$ for user in $(cat /etc/passwd | cut -f1 -d:); do crontab -l -u $user; done是否有某个定时任务运行过于频繁?是否有些用户提交了隐藏的定时任务?在出现故障的时候,是否正好有某个备份任务在执行?十三、从云日志中应用系 统日志 
这里边可分析的东西就多了, 不过恐怕你作为运维人员是没功夫去仔细研究它的。关注那些明显的问题,比如在一个典型的LAMP(Linux+Apache+Mysql+Perl)应用环境里: 
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。这里查看了下,并没有503的,只有403的错误.所以可以跳过 
技术分享 
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。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?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 
经过这5分钟之后,你应该对如下情况比较清楚了: 
在 服务器上运行的都是些啥?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。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。你甚至有可能找到真正的故障源头。就算还没有找 到,搞清楚了上面这些情况之后,你现在也具备了深挖下去的条件。继续努力吧! 
好了,总结下,首先查看系统日志,然后再看应用日志,基本的解决思路就这样

如何快速定位云主机的故障

标签:

原文地址:http://my.oschina.net/maczhao/blog/468628

(0)
(0)
   
举报
评论 一句话评论(0
登录后才能评论!
© 2014 mamicode.com 版权所有  联系我们:gaon5@hotmail.com
迷上了代码!