未加星标

运维定位服务故障时,前5分钟都在忙啥?运维

字体大小 | |
[大数据技术 所属分类 大数据技术 | 发布者 店小二05 | 时间 | 作者 红领巾 ] 0人收藏点击收藏

运维定位服务故障时,前5分钟都在忙啥?运维
SQL
运维定位服务故障时,前5分钟都在忙啥?运维
mysql
运维定位服务故障时,前5分钟都在忙啥?运维
Hadoop
运维定位服务故障时,前5分钟都在忙啥?运维
服务器
运维定位服务故障时,前5分钟都在忙啥?运维
硬件
运维定位服务故障时,前5分钟都在忙啥?运维
进程

遇到服务器故障,问题出现的原因很少可以一下就想到。我们基本上都会从以下步骤入手,这些也是绝大多数运维工程师在定位故障时前几分钟的主要排查点:


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)


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。


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,不过较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?


服务器较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、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。

十一、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。


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较大值了?


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!


声明:文章收集于网络,如有侵权,请联系小编及时处理,谢谢!


欢迎加入本站公开兴趣群

软件开发技术群

兴趣范围包括:Java,C/C++,python,PHP,Ruby,shell等各种语言开发经验交流,各种框架使用,外包项目机会,学习、培训、跳槽等交流

QQ群:204132433


Hadoop源代码研究群

兴趣范围包括:Hadoop源代码解读,改进,优化,分布式系统场景定制,与Hadoop有关的各种开源项目,总之就是玩转Hadoop

QQ群:204050420

主题: 服务器HadoopCPUSQLMySQLPHPJava硬盘RubyC++
tags: #160,故障,进程,netstat,CPU,文件系统,错误,运行,运维,MySQL,log,日志,硬件
分页:12
转载请注明
本文标题:运维定位服务故障时,前5分钟都在忙啥?运维
本站链接:https://www.codesec.net/view/577377.html


1.凡CodeSecTeam转载的文章,均出自其它媒体或其他官网介绍,目的在于传递更多的信息,并不代表本站赞同其观点和其真实性负责;
2.转载的文章仅代表原创作者观点,与本站无关。其原创性以及文中陈述文字和内容未经本站证实,本站对该文以及其中全部或者部分内容、文字的真实性、完整性、及时性,不作出任何保证或承若;
3.如本站转载稿涉及版权等问题,请作者及时联系本站,我们会及时处理。
登录后可拥有收藏文章、关注作者等权限...
技术大类 技术大类 | 大数据技术 | 评论(0) | 阅读(2213)