Linux 服务器故障排除的前五分钟 (First 5 Minutes Troubleshooting A Linux Server)

一、前言

二、简介

三、具体过程

尽可能搞清楚问题的前因后果

有谁在？

之前发生了什么？

现在在运行的进程是啥？

监听的网络服务

CPU和内存使用情况

查看硬件

I/O 性能

挂载点和文件系统

内核、中断和网络

系统日志和内核消息

任务计划

查看具体应用的系统日志

四、总结

注，测试环境：操作系统 CentOS 6.4 x86_64。

注，此文章在原文章的基础上加入一些内容（修改与测试）。

我们团队为上一家公司承担运维、优化和扩展工作的时候，我们碰到了各种不同规模的性能很差的系统和基础设备（大型系统居多，比如CNN或者世界银行的系统）。要是再赶上修复时间紧、奇葩的技术平台、缺少信息和文档，基本上这过程都会惨痛到让我们留下深刻的记忆。

遇到服务器故障，问题出现的原因很少可以一下就能找到。我们基本上都会从以下步骤入手：

1.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。不然你很难搞清楚问题出在什么地方，

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）

是否有日志可以查看？ （比如Loggly、Airbrake、 Graylog…）

最后两个是最方便的信息来源，不过别抱太大希望，基本上它们都不会有，只能再继续摸索了。下面我们继续……

2.有谁在？

1

2

<code>[root@node1 ~]</code><code># w</code>

<code>[root@node1 ~]</code><code># last</code>

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。嘿嘿！

3.之前发生了什么？

<code>[root@node1 ~]</code><code># history</code>

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。命令如下，

<code>[root@node1 ~]</code><code># export HISTTIMEFORMAT='%F %T '</code>

这样再次用history命令查看就会显示命令执行的时间。

4.现在在运行的进程是啥？

<code>[root@node1 ~]</code><code># pstree –a</code>

<code>[root@node1 ~]</code><code># ps aux</code>

这都是查看现有进程的。 <code>ps aux</code> 的结果比较杂乱， <code>pstree -a</code> 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。其实这两个工具一般好用，htop这个工具比较好用，前提是你的机器上已安装好htop工具。有兴趣的朋友可以去用一下，哈哈！

5.监听的网络服务

3

<code>[root@node1 ~]</code><code># netstat -ntlp （查看tcp端口）</code>

<code>[root@node1 ~]</code><code># netstat -nulp（查看udp端口）</code>

<code>[root@node1 ~]</code><code># netstat -nxlp （查看unix）</code>

我一般都分开运行这三个命令，不想一下子，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。

6.CPU和内存使用情况

4

<code>[root@node1 ~]</code><code># free -m</code>

<code>[root@node1 ~]</code><code># uptime</code>

<code>[root@node1 ~]</code><code># top</code>

<code>[root@node1 ~]</code><code># htop</code>

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？

7.查看硬件

<code>[root@node1 ~]</code><code># dmidecode | more</code>

<code>[root@node1 ~]</code><code># ethtool eth0</code>

RAID卡、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?

8.I/O 性能

<code>[root@node1 ~]</code><code># iostat -kx 2</code>

<code>[root@node1 ~]</code><code># vmstat 2 10</code>

<code>[root@node1 ~]</code><code># mpstat 2 10</code>

<code>[root@node1 ~]</code><code># dstat --top-io --top-bio</code>

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？

9.挂载点和文件系统

5

6

7

<code>[root@node1 ~]</code><code># mount</code>

<code>[root@node1 ~]</code><code># cat /etc/fstab</code>

<code>[root@node1 ~]</code><code># vgs</code>

<code>[root@node1 ~]</code><code># pvs</code>

<code>[root@node1 ~]</code><code># lvs</code>

<code>[root@node1 ~]</code><code># df –h</code>

<code>[root@node1 ~]</code><code># lsof +D /</code>

通过上面的命令我们可以得到以下信息，

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？

10.内核、中断和网络

<code>[root@node1 ~]</code><code># sysctl -a | grep *</code>

<code>[root@node1 ~]</code><code># cat /proc/interrupts</code>

<code>[root@node1 ~]</code><code># cat /proc/net/ip_conntrack</code>

<code>[root@node1 ~]</code><code># netstat -an</code>

<code>[root@node1 ~]</code><code># ss –s</code>

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。

11.系统日志和内核消息

<code>[root@node1 ~]</code><code># dmesg</code>

<code>[root@node1 ~]</code><code># less /var/log/messages</code>

<code>[root@node1 ~]</code><code># less /var/log/secure</code>

<code>[root@node1 ~]</code><code># less /var/log/auth</code>

通过上面的命令我们会得到以下信息，

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。

12.任务计划

<code>[root@node1 ~]</code><code># for user in $(cat /etc/passwd | cut -f1 -d:); do crontab -l -u $user; done</code>

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？

13.查看具体应用的系统日志

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+PHP）应用环境里:

Apache &amp; 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。

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？

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！

最后，希望大家有所收获吧^_^……

本文转自陈明乾51CTO博客，原文链接：http://blog.51cto.com/freeloda/1346789，如需转载请自行联系原作者