我們團隊為上一家公司承擔運維、優化和擴充套件工作的時候，我們碰到了各種不同規模的效能很差的系統和基礎裝置（大型系統居多，比如CNN或者世界銀行的系統）。要是再趕上修復時間緊、奇葩的技術平臺、缺少資訊和文件，基本上這過程都會慘痛到讓我們留下深刻的記憶。

遇到伺服器故障，問題出現的原因很少可以一下就想到。我們基本上都會從以下步驟入手：

一、儘可能搞清楚問題的前因後果

不要一下子就扎到伺服器前面，你需要先搞明白對這臺伺服器有多少已知的情況，還有故障的具體情況。不然你很可能就是在無的放矢。

必須搞清楚的問題有：

• 故障的表現是什麼？無響應？報錯？
• 故障是什麼時候發現的？
• 故障是否可重現？
• 有沒有出現的規律（比如每小時出現一次）
• 最後一次對整個平臺進行更新的內容是什麼（程式碼、伺服器等）？
• 故障影響的特定使用者群是什麼樣的(已登入的, 退出的, 某個地域的…)?
• 基礎架構（物理的、邏輯的）的文件是否能找到?
• 是否有監控平臺可用? （比如Munin、Zabbix、 Nagios、 New Relic… 什麼都可以）
• 是否有日誌可以檢視?. （比如Loggly、Airbrake、 Graylog…）

最後兩個是最方便的資訊來源，不過別抱太大希望，基本上它們都不會有。只能再繼續摸索了。

二、有誰在?

$ w
$ last

用這兩個命令看看都有誰線上，有哪些使用者訪問過。這不是什麼關鍵步驟，不過最好別在其他使用者正幹活的時候來除錯系統。有道是一山不容二虎嘛。（ne cook in the kitchen is enough.）

三、之前發生了什麼?

$ history

檢視一下之前伺服器上執行過的命令。看一下總是沒錯的，加上前面看的誰登入過的資訊，應該有點用。另外作為admin要注意，不要利用自己的許可權去侵犯別人的隱私哦。

到這裡先提醒一下，等會你可能會需要更新 HISTTIMEFORMAT 環境變數來顯示這些命令被執行的時間。對要不然光看到一堆不知道啥時候執行的命令，同樣會令人抓狂的。

四、現在在執行的程序是啥?

$ pstree -a
$ ps aux

這都是檢視現有程序的。 ps aux 的結果比較雜亂， pstree -a 的結果比較簡單明瞭，可以看到正在執行的程序及相關使用者。

五、監聽的網路服務

$ netstat -ntlp
$ netstat -nulp
$ netstat -nxlp

我一般都分開執行這三個命令，不想一下子看到列出一大堆所有的服務。netstat -nalp倒也可以。不過我絕不會用 numeric 選項 （鄙人一點淺薄的看法：IP 地址看起來更方便）。

找到所有正在執行的服務，檢查它們是否應該執行。檢視各個監聽埠。在netstat顯示的服務列表中的PID 和 ps aux 程序列表中的是一樣的。

如果伺服器上有好幾個Java或者Erlang什麼的程序在同時執行，能夠按PID分別找到每個程序就很重要了。

通常我們建議每臺伺服器上執行的服務少一點，必要時可以增加伺服器。如果你看到一臺伺服器上有三四十個監聽埠開著，那還是做個記錄，回頭有空的時候清理一下，重新組織一下伺服器。

六、CPU 和記憶體

$ free -m
$ uptime
$ top
$ htop

注意以下問題:

• 還有空餘的記憶體嗎? 伺服器是否正在記憶體和硬碟之間進行swap?
• 還有剩餘的CPU嗎? 伺服器是幾核的? 是否有某些CPU核負載過多了?
• 伺服器最大的負載來自什麼地方? 平均負載是多少?

七、硬體

$ lspci
$ dmidecode
$ ethtool

有很多伺服器還是裸機狀態，可以看一下：

• 找到RAID 卡 (是否帶BBU備用電池?)、 CPU、空餘的記憶體插槽。根據這些情況可以大致瞭解硬體問題的來源和效能改進的辦法。
• 網絡卡是否設定好? 是否正執行在半雙工狀態? 速度是10MBps? 有沒有 TX/RX 報錯?

八、IO 效能

$ iostat -kx 2
$ vmstat 2 10
$ mpstat 2 10
$ dstat --top-io --top-bio

這些命令對於除錯後端效能非常有用。

• 檢查磁碟使用量：伺服器硬碟是否已滿?
• 是否開啟了swap交換模式 (si/so)?
• CPU被誰佔用：系統程序? 使用者程序? 虛擬機器?
• dstat 是我的最愛。用它可以看到誰在進行 IO： 是不是MySQL吃掉了所有的系統資源? 還是你的PHP程序?

九、掛載點 和 檔案系統

$ mount
$ cat /etc/fstab
$ vgs
$ pvs
$ lvs
$ df -h
$ lsof +D / /* beware not to kill your box */

• 一共掛載了多少檔案系統?
• 有沒有某個服務專用的檔案系統? (比如MySQL?)
• 檔案系統的掛載選項是什麼： noatime? default? 有沒有檔案系統被重新掛載為只讀模式了？
• 磁碟空間是否還有剩餘?
• 是否有大檔案被刪除但沒有清空?
• 如果磁碟空間有問題，你是否還有空間來擴充套件一個分割槽？

十、核心、中斷和網路

$ sysctl -a | grep ...
$ cat /proc/interrupts
$ cat /proc/net/ip_conntrack /* may take some time on busy servers */
$ netstat
$ ss -s

• 你的中斷請求是否是均衡地分配給CPU處理，還是會有某個CPU的核因為大量的網路中斷請求或者RAID請求而過載了？
• SWAP交換的設定是什麼？對於工作站來說swappinness 設為 60 就很好, 不過對於伺服器就太糟了：你最好永遠不要讓伺服器做SWAP交換，不然對磁碟的讀寫會鎖死SWAP程序。
• conntrack_max 是否設的足夠大，能應付你伺服器的流量?
• 在不同狀態下(TIME_WAIT, …)TCP連線時間的設定是怎樣的？
• 如果要顯示所有存在的連線，netstat 會比較慢， 你可以先用 ss 看一下總體情況。

你還可以看一下 Linux TCP tuning 瞭解網路效能調優的一些要點。

十一、系統日誌和核心訊息

$ dmesg
$ less /var/log/messages
$ less /var/log/secure
$ less /var/log/auth

• 檢視錯誤和警告訊息，比如看看是不是很多關於連線數過多導致？
• 看看是否有硬體錯誤或檔案系統錯誤?
• 分析是否能將這些錯誤事件和前面發現的疑點進行時間上的比對。

十二、定時任務

$ ls /etc/cron* + cat
$ for user in $(cat /etc/passwd | cut -f1 -d:); do crontab -l -u $user; done

• 是否有某個定時任務執行過於頻繁?
• 是否有些使用者提交了隱藏的定時任務?
• 在出現故障的時候，是否正好有某個備份任務在執行？

十三、應用系統日誌

這裡邊可分析的東西就多了, 不過恐怕你作為運維人員是沒功夫去仔細研究它的。關注那些明顯的問題，比如在一個典型的LAMP（Linux+Apache+Mysql+Perl）應用環境裡:

• Apache & Nginx; 查詢訪問和錯誤日誌, 直接找 5xx 錯誤, 再看看是否有 limit_zone 錯誤。
• MySQL; 在mysql.log找錯誤訊息，看看有沒有結構損壞的表， 是否有innodb修復程序在執行，是否有disk/index/query 問題.
• PHP-FPM; 如果設定了 php-slow 日誌, 直接找錯誤資訊 (php, mysql, memcache, …)，如果沒設定，趕緊設定。
• Varnish; 在varnishlog 和 varnishstat 裡, 檢查 hit/miss比. 看看配置資訊裡是否遺漏了什麼規則，使終端使用者可以直接攻擊你的後端？
• HA-Proxy; 後端的狀況如何？健康狀況檢查是否成功？是前端還是後端的佇列大小達到最大值了？

結論

經過這5分鐘之後，你應該對如下情況比較清楚了：

• 在伺服器上執行的都是些啥？
• 這個故障看起來是和 IO/硬體/網路 或者 系統配置 (有問題的程式碼、系統核心調優, …)相關。
• 這個故障是否有你熟悉的一些特徵？比如對資料庫索引使用不當，或者太多的apache後臺程序。

你甚至有可能找到真正的故障源頭。就算還沒有找到，搞清楚了上面這些情況之後，你現在也具備了深挖下去的條件。繼續努力吧！