在服务器上排除问题的头5分钟

前言

之前导师给我推荐了这篇文章，当时不以为然（ps：当时沉迷算法导论写ACM ），现在包括从校招的情况来看，还是要走运维的路线，所以记录学习一下，而且在阿里面试系统工程师的时候，也被星芒师兄问到了这个问题，当时答的乱七八糟，悔不当初啊，原文链接：First 5 Minutes Troubleshooting A Server， 中文翻译：在服务器上排除问题的头五分钟

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，不然你很有可能是在无的放矢

必须要搞清楚的问题：

• 故障的表现是什么？无响应？报错？
• 故障是什么时候发现的？
• 故障是否可以重现？
• 有没有出现的规律（比如每小时一次）
• 最后一次对整个平台进行更新的内容是什么（代码、服务器）？
• 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？
• 是否有日志可以查看？

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

有谁在？

$ w
$ last

用这两个命令查看都有谁在线，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在干活的时候来调试系统。有道是一山不容二虎嘛

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，不用利用自己的权限去侵犯别人的隐私！

到这里先提醒一下，查看history的时候需要更新一下HISTTIMEFORMAT环境变量来显示这些命令执行的时间。（ps：个人补充）

配置HISTTIMEFORMAT可使用如下命令：

$ export HISTTIMEFORMAT="%F %T "

现在运行的进程

$ pstree -a
$ps aux

这都是查看现有进程的。ps aux的结果比较杂乱（ps：个人不认同，ps aux可以用过管道+grep进行过滤，pstree可没有这功能），pstree -a的结果比较简单明了，可以看到正在运行的进程以及相关用户

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。

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。

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

CPU和内存

$ free -m
$ uptime
$ top

注意以下问题：

• 还有空闲的内存吗？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？

硬件

$ lspci
$ dmidecode
$ ethtool

我觉得主要是使用ethtool查看网卡是否设置好？是否正运行在半双工状态？速度是10MBps？有没有TX/RX报错？

IO性能

dstat --top-io --top-bio

我这里只写了一个我会用而且感觉最好用的dstat。用它可以看道谁正在进行IO：是不是MYSQL吃掉了所有的系统资源？还是你的PHP进程？

系统日志和内核消息

$ dmesg
$ less /var/log/auth.log

• 查看错误和警告信息，比如看看是不是连接数过多导致？
• 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时间和前面发现的疑点进行时间上的对比

定时任务

$ ls /etc/cron* | cat
$ for user in $(cat /etc/passwd | awk -F ":" '{print $1}'); do crontab -l -u $user; done

(ps:这里我改写了部分linux命令使用，哈哈，虽然是转载，但是也要有我自己的风格在里面 )

• 是否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额任务正在执行？

应用系统日志

这里分析的东西可就多了，不过恐怕你作为运维人员是没功夫仔细研究它的。关注那么明显的问题，比如在一个典型的LAMP应用环境里：

• Apache&Nginx;查询访问和错误日志，直接找5××错误，再看是否有limit_zone错误
• Mysql;在mysql.log找错误信息，看看有没有结构损坏的表，是否有innodb修复进程正在运行，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

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/网络或者系统配置相关
• 这个故障是否有你熟悉的一些特征？比如数据库索引使用不当，或者太多的apache后台进程