标签：
本文不是liunx命令使用教程，也不打算全方面阐明其用法，互联网公司项目很多，服务程序之间相互依赖调用很复杂，各种因素会影响线程服务正常运行，特别是基础服务组件更是如此，当出现各种问题时，如何诊断linux下哪个环节出现问题或状况。从linux系统层面看，通过各种操作命令和手段快速定位线上程序的症状和要害很有必要。比如说：当线上服务长时间正常运行,张三某天突然监控到自己的程序出问题了，自己负责某个程序不提供服务或服务处于挂死(进程还在，但无法接收外部响应)状态，查看应用程序日志没发现明显错误或可提示信息(看了隐藏比较深)，可能(压力比较大，时间紧迫)经验丰富开发工程师也一时半会找不出症状所在，笔者想尽量覆盖关键和重要部分分享给读者，以期待提供有价值可参考的依据,笔者更想提供一些自己遇到问题的解决方法和思路作为大家的参考，但限于水平限制，难免有疏漏和不足之处，欢迎大家提出宝贵意见和想法以帮助我更正或提高。
下面出现的问题是工程师日常开发中真实写照。
注:关于swap和paging含义后面有名称解释
dstat,vmstat、sar、iostat、netstat、free、ps、top等
buffer是用于存放(缓存)要输出到disk（块设备）的数据的，
cache是存放从disk上读出的数据。这buffer和cache是为了提高IO性能的，并由OS管理。
swap: linux内核读写虚拟内存是以 “页” 为单位操作的，把内存转移到硬盘交换空间（SWAP）和从交换空间读取到内存 的时候都是按页来读写的。
Paging:内存和SWAP的这种交换过程称为页面交换（Paging）
-/+ buffers/cache
used应用程序总共使用的内存数=Mem.used-Mem.buffers-Mem.cached
应用程序还未使用的内存数=Mem.free+Mem.buffers+Mem.cached
上面是free -m的运行结果，一共有4行。为了方便说明，笔者加上了列号。这样可以把free的输出看成一个二维数组rowcols(Free Output),下面可以使用2个等式表示两个等式
rowcols[3][2] = rowcols[2][2] - rowcols[2][5] - rowcols[2][6]
rowcols[3][3] = rowcols[2][3] + rowcols[2][5] + rowcols[2][6]
注:free命令中内存参数与top中第四行，五行--对应，top就是少了free第三行参数值
Recv-Q 网络接收队列 一般情况为0,如果持续为非0表示收到的数据已经在本地接收缓冲,应用程序还没处理,可能是应用程序处理性能下降。
Send-Q 发送队列 一般情况为0,如果持续为非0可能是应用向外发送数据包过快,或者是 对方接收数据包不够快。
netstat –an | grep 端口 (查看应用程序端口是否正常监听)
以前遇到过分布式缓存memcached在高峰访问中会出现这种现象，由于高峰时期极端情况下多线程lock内存池原因，导致服务端性能急剧下降。
vmstat CPU使用率,内存使用,虚拟内存交换情况,IO读写情况
一般使用格式为：vmstat interval count //表示输出频率1秒，连续输出10次
使用实例: vmstat 1 10
如果CPU的sy和us值相加的百分比接近100%,或者运行队列(r)中等待 的进程数总是不等于0,且经常大于4,同时id也经常小于40,则该系 统受限于CPU;如果bi、bo的值总是不等于0,则该系统受限于内存。 swpd值过高一般情况由于物理内存不够用.
si列表示由磁盘调入内存，也就是内存进入内存交换区的数量。 so列表示由内存调入磁盘，也就是内存交换区进入内存的数量。 一般情况下，si、so的值都为0，如果si、so的值长期不为0，则表示系统内存不足。需要增加系统内存。
格式如下:sar -d interval count
上面每项的输出解释如下：
平均百分比为 = 总cpu占百分比/cpu核心数
格式如下:mpstat -P ALL interval count
它显示了系统中CPU的各种统计信息。–P ALL 选项指示该命令显示所有 CPU 的统计信息.
dstat具体参数说明就不列出了，上述其他命令已经有说明
在获取的信息上有点类似于top、free、iostat、vmstat等多个工具的合集.
iftop显示了系统上所有源主机或者目的主机网络带宽使用的列表，此列表定期更新。
输出当前目录下各个子目录所使用的空间:du -h --max-depth=1
按照子目录大小排序(降序):du -s * | sort -rn | cut -f2- | xargs -d "\n" du -sh
//本机监听端口来自客户端连接数统计排序(降序)
lsof -i:9092 | awk ‘{print $9}‘ | cut -d ">" -f2 | awk ‘{ cidx=index($1,":");print substr($1,0,cidx-1)}‘ | sort | uniq -c | sort -rn
当某台或几台机器作为基础服务组件或中间件节点(不一定为java，或python,go,c/c++等等)集群部署时，会有大量客户端会依赖此服务而连接此目标集群。笔者遇到真实情况，集群正常运行好长一段时间后，有一天突然发现集群中某个节点处于不可用状态。观察其应用程序日志没有任何错误信息，而且服务程序却无法正常对外提供响应。
笔者通过相关命令按照以上几个法则(cpu，内存,磁盘io,网络io,网络流量)，当我们查看cpu，io，网络流量，磁盘容量，
发现监听端口连接数数量巨大，存在问题，经定位分析发现某台客户端主机创建大量网络连接没有释放。一般情况下linux系统最大文件描述数量设置都非常大，到达100W以上，多数是其他资源先消耗。
下面是模拟当时环境的一幅图。
[lizhitao@host ] netstat -an | grep 9094
[lizhitao@host ] lsof -i:9094 | awk ‘{print $9}‘ | cut -d ">" -f2 | awk ‘{ cidx=index($1,":");print substr($1,0,cidx-1)}‘ | sort | uniq -c | sort -rn
很明显mafka.sankuai.com这台主机创建了大量连接，导致资源耗尽。
说明:netstat一般显示是ip,lsof一般显示主机名，因为客户端连接比较多(在TCP里好像每个socket占用500byte)，很难一下子看出哪个客户主机数比较多，所以2命令组合使用就比较方便。
扩展阅读：
上面案例是网络连接(网络文件描述符)问题，而有些可能是磁盘文件(描述符)打开量巨大，而没有释放资源导致程序bug。
典型就是存储图片或小文件的分布式文件系统。
java进程cpu的消耗排序
[lizhitao@host ] ps p 31476 -L -o pcpu,pid,tid,time,tname,stat,psr | gawk ‘{printf("%s %d %d %s %s %s %x\n",$1,$2,$3,$4,$5,$6,$3) }‘ | sort -n -k1 -r
假如上述图片列表中显示的cpu消耗很高且大约80%cpu，则我们可以通过上述命令操作，找到对应线程号nid=31510转换为十六进制0x7b16
[lizhitao@host ] jstack 31476 | grep "7b16"
[lizhitao@host ] jstack 31476
缩小代码排查范围，顺藤摸瓜找到对应的调用堆栈信息和代码，然后对相关代码逻辑进行分析。
如果遇到上述错误，可以先检测一下硬盘状态信息(一般是这类问题概率不大，除非是数据库或做存储用的服务器)
请参考硬盘检测smartctl：Linux系统下检测硬盘的健康状态
Linux硬盘的检测
如果磁盘状态一切正常，则分析可能为挂载磁盘空间占满。
执行 ：df -h 查看磁盘空间占用情况
然后到相应的应用程序软件部署目录或数据存储目录下执行:
du -s * | sort -rn | cut -f2- | xargs -d "\n" du -sh
就可以顺利找到占用空间比较大的目录,然后做相应处理。
以上，就是我在linux下后端诊断与调试时遇到的问题和收获，以及解决办法，下面是我对这些方面的总结：
linux下后端诊断与调试是复杂而比较有挑战性工作，需要操作者或工程师综合运用各种手段找到问题所在，从而逐步地缩小范围，定位到某个点上，不同的应用程序也会不一样，比如说：普通的java(tomcat)服务与memcached分布式缓存遇到问题也不尽相同。首先我们可以从系统层面上划清界限，是操作系统，本机服务程序，还是其他主机访问导致的。通过六种手段，比如说网络io，磁盘io，内存，cpu，打开文件，线程等，分析其瓶颈方向。所以没有一种命令或方法能“包治百病”，需要工程师在不同应用环境下，巧妙选择且综合运用不同手段，搭配多种命令组合才能完成。
标签：
原文地址：http://www.cnblogs.com/tonychai/p/4626968.html
