还是在我们这个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（大的居多，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，基本上过程都会惨痛到让我们留下深刻的记忆。遇到服务器故障，出现问题的原因很少能一目了然。我们基本上都会从以下步骤入手：[h=3]尽可能搞清楚问题的前因后果[/h]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。[h=3]有谁在?[/h] $ 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。[h=3][/h][h=3]之前发生了什么?[/h] $ 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会令人抓狂的。[h=3]现在在运行的进程是啥?[/h] $ 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。[h=3]监听的网络服务[/h] $ 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。[h=3]CPU 和内存[/h] $ 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? [h=3]硬件[/h] $ 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? [h=3]IO 性能[/h] $ iostat -kx 2$ vmstat 210$ mpstat 210$ 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? [h=3]挂载点 和 文件系统[/h] $ 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？ [h=3]内核，中断和网络[/h] $ 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。[h=3]系统日志和内核消息[/h] $ 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。 [h=3]定时任务[/h] $ 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？ [h=3]应用系统日志[/h]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？ [h=3]结论[/h]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！ 原文在此：http://devo.ps/blog/2013/03/06/troubleshooting-5minutes-on-a-yet-unknown-box.html 转载自：http://ned11.iteye.com/blog/1832916