Linux服务器问题排查步骤

一、尽可能搞清楚问题的前因后果

1、故障的表现是什么?无响应?报错?

2、故障是什么时候发现的?

3、故障是否可重现?

4、有没有出现的规律(比如每小时出现一次)

5、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)?

6、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…)?

7、基础架构(物理的、逻辑的)的文档是否能找到?

8、是否有监控平台可用?(比如Zabbix、 Nagios、 cacti… )

9、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。

 

二、有谁在?

用下面两个命令看看都有谁在线,有哪些用户访问过

# w
# last

三、之前发生了什么?

查看一下之前服务器上执行过的命令
# history
正常情况我们运行history命令是不会显示命令被执行的时间的。所以我们还需要设置下HISTTIMEFORMAT的环境变量,命令如下:

# export HISTTIMEFORMAT='%F %T'

四、现在在运行的进程是啥?

用下面两个命令可以看到正在运行的进程及相关用户,推荐用pstree

# pstree -a
# psaux

五、监听的网络服务

查看所有正在运行的服务,检查它们是否应该运行,下面3个命令可以分开查看,不至于一下子列出一大堆服务

# netstat -ntlp
# netstat -nulp
# netstat -nxlp

 

六、CPU和内存

通过下面4个命令检查

1、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?

2、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?

3、服务器最大的负载来自什么地方? 平均负载是多少?

# free -m
# uptime
# top
# htop

七、硬件

通过下面3个命令检查

1、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

2、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?

# lspci
# dmidecode
# ethtool

八、IO 性能

通过下面4个命令检查(这些命令对于调试后端性能非常有用)

1、服务器硬盘是否已满?

2、是否开启了swap交换模式 (si/so)?

3、CPU被谁占用:系统进程? 用户进程? 虚拟机?

4、谁在进行 IO: 是不是数据库吃掉了所有的系统资源? 还是你的PHP或jiva进程?

# iostat -kx 2
# vmstat 2 10
# mpstat 2 10
# dstat --top-io --top-bi

九、挂载点和文件系统

通过下面几个命令检查

1、一共挂载了多少文件系统?

2、有没有某个服务专用的文件系统? (比如数据库?)

3、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?

4、磁盘空间是否还有剩余?

5、是否有大文件被删除但没有清空?

6、如果磁盘空间有问题,你是否还有空间来扩展一个分区?

# mount
# cat /etc/fstab
# vgs
# pvs
# lvs
# df -h
# lsof+D / /* beware not tokillyour box */

 

十、内核、中断和网络

通过下面命令检查

1、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?

2、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

3、conntrack_max 是否设的足够大,能应付你服务器的流量?

4、在不同状态下(TIME_WAIT, …)TCP连接时间的设置是怎样的?

5、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

# sysctl -a |grep...
# cat /proc/interrupts
# cat /proc/net/ip_conntrack /* may take sometimeon busy servers */
# netstat
# ss -s

 

十一、系统日志和内核消息

通过下面命令检查

1、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?

2、看看是否有硬件错误或文件系统错误?

3、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

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

十二、定时任务

通过下面命令检查

1、是否有某个定时任务运行过于频繁?

2、是否有些用户提交了隐藏的定时任务?

3、在出现故障的时候,是否正好有某个备份任务在执行?

# ls /etc/cron* +cat
# foruserin$(cat /etc/passwd|cut-f1 -d:);docrontab -l -u
# user;done

十三、应用系统日志

这边以LAMP(Linux+Apache+Mysql+Perl)应用环境举例:

1、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

2、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

3、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

4、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?

5、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?

 

感谢原文作者yangfannie的linux运维笔记 ,参考原文出处http://www.yangfannie.com/653.html

发表评论

电子邮件地址不会被公开。 必填项已用*标注