鹰击长空yuetao.org

8月 27

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想到。我们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)

  • 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。



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、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!

7月 18
obm 安装目录下的 /bin/Configurator.sh 是来配置到服务端的链接的。

但是只能配置一次,配置成功以后 再进去就需要先登录,才能重新配置。

现在遇到一个问题,OBM服务端搬迁,地址有变化。Configurator.sh 命令无法登录进去。


尝试删除 /root/.obm/config 目录 ,然后重新运行该命令,问题解决 
7月 17
这个目录下是保存的wdlinux 的 apache 站点配置文件
/www/wdlinux/httpd-2.2.24/conf/vhost/xxxx 

由于apache 可以直接使用 php_admin_value 修改 php 的配置项,这里的配置文件中一般都有对目录的限制

如果php配置文件中  upload_tmp_dir 指定的目录 没有在这里找到 那么原因就是他了。


修改此处在后面追加上传目录 用: 分隔

如: php_admin_value open_basedir /www/web/xxx_com:/tmp:/www/upload_tmp 

改完以后重启httpd

/etc/init.d/httpd restart
6月 8
mysql数据库一键导入
mysql -u 帐号 -p密码 --default-character-set=utf8 数据库名称 < 要导入的sql文件的路径 
例如: mysql -u user -p123456 --default-character-set=utf8 shop < shop.sql

----------------------------------

mysql数据库一键导出(支持批量插入)
mysqldump -e -u 帐号 -p密码 数据库名称 > 导出的sql文件保存路径
例如:mysqldump -e -u user -p123456 shop > shop.sql
6月 5
  经常升级Linux内核,导致更新时警告/boot分区空间不足。这是以为多次升级内核后,导致内核版本太多,清理一下没用的内核文件就行了。命令如下:

zht@zht-Ubuntu:~$ dpkg -l 'linux-image-*' | grep '^ii'
//或者:zht@zht-Ubuntu:~$ dpkg --get-selections |grep linux-image
ii  linux-image-3.5.0-17-generic              3.5.0-17.28                                amd64        Linux kernel image for version 3.5.0 on 64  bit x86 SMP
ii  linux-image-3.5.0-21-generic              3.5.0-21.32                                amd64        Linux kernel image for version 3.5.0 on 64  bit x86 SMP
ii  linux-image-3.5.0-26-generic              3.5.0-26.42                                amd64        Linux kernel image for version 3.5.0 on 64  bit x86 SMP
ii  linux-image-extra-3.5.0-17-generic     3.5.0-17.28                                amd64        Linux kernel image for version 3.5.0 on 64 bit  x86 SMP
ii  linux-image-extra-3.5.0-21-generic     3.5.0-21.32                                amd64        Linux kernel image for version 3.5.0 on 64 bit  x86 SMP
ii  linux-image-extra-3.5.0-26-generic     3.5.0-26.42                                amd64        Linux kernel image for version 3.5.0 on 64 bit  x86 SMP
ii  linux-image-generic                             3.5.0.26.32                                amd64        Generic Linux kernel image

还可以通过“ls /boot”命令查看/boot中有哪些文件:
zht@zht-Ubuntu:~$ ls /boot
abi-3.5.0-17-generic         lost+found
abi-3.5.0-21-generic         memtest86+.bin
abi-3.5.0-26-generic         memtest86+_multiboot.bin
config-3.5.0-17-generic      System.map-3.5.0-17-generic
config-3.5.0-21-generic      System.map-3.5.0-21-generic
config-3.5.0-26-generic      System.map-3.5.0-26-generic
grub                         vmlinuz-3.5.0-17-generic
initrd.img-3.5.0-17-generic  vmlinuz-3.5.0-21-generic
initrd.img-3.5.0-21-generic  vmlinuz-3.5.0-26-generic
initrd.img-3.5.0-26-generic

可以看到都是一些内核启动文件,很明显有些是我们不需要的(建议先卸载比较老的内核),不需要的就当垃圾处删除吧。理论上,除正在用的其它的都可以卸载,但刚升级的东西可能不稳定,为保险起见,保留1-2个之前版本备用吧


注意:卸载老的内核之前,首先用uname -a查看当前启动的是哪个内核(防止把当前正在使用的内核卸载了):
zht@zht-Ubuntu:~$ uname -a
Linux zht-Ubuntu 3.5.0-26-generic #42-Ubuntu SMP Fri Mar 8 23:18:20 UTC 2013 x86_64 x86_64 x86_64 GNU/Linux


===============================
卸载旧的内核,命令如下:
//卸载linux-image-3.5.0-17-generic

zht@zht-Ubuntu:~$ sudo apt-get purge linux-image-3.5.0-17-generic

之后根据提示输入yes即可完成卸载。

分页: 3/61 第一页 上页 1 2 3 4 5 6 7 8 9 10 下页 最后页 [ 显示模式: 摘要 | 列表 ]