服务器故障之运维经验总结

作为一个运维人员，遇到服务器故障是在所难免的，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。当出现此类问题时，应该如何处理？本文给大家详尽的分析了一下，一起来看看。

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。当然还可以借助ITIL工具对CMDB资产的关联进行深入分析。继续努力吧！

 

第二篇：linux服务器调试总结

? Oracle 10g For Linux redhat 5.3

安装步骤：

1、 建立oracle用户，并设置密码

useradd oracle

passwd oracle

2、 建立群组

groupadd oinstall

用户增加到组

useradd -g oinstall -G oracle

建立相应的oracle目录

mkdir /usr/oracle

目录添加到oinstall组

chown -R oracle:oinstall /usr/oracle

目录添加到oracle用户

chown -R /usr/oracle oracle:oinstall oracle

3、

4、 设置xwindow的安装用户权限显示 xhost local:oracle 设置环境变量

export LANUAGE=en

oracle 相应的环境变量

vi ~/.bash_profile

增加如下：

export PATH

unset USERNAME

export ORACLE_BASE=/usr/oracle

export ORACLE_HOME=$ORACLE_BASE/10.2.0/db

export ORACLE_SID=tymtdb

export

PATH=.:${PATH}:$HOME/bin:$ORACLE_HOME/bin:$ORA_CRS_HOME/bin

export PATH=${PATH}:/usr/bin:/bin:/usr/bin/X11:/usr/local/bin

export ORACLE_TERM=xterm

export TNS_ADMIN=$ORACLE_HOME/network/admin

export ORA_NLS33=$ORACLE_HOME/ocommon/nls/admin/data

export LD_LIBRARY_PATH=$ORACLE_HOME/lib

export

LD_LIBRARY_PATH=${LD_LIBRARY_PATH}:$ORACLE_HOME/oracm/lib

export

LD_LIBRARY_PATH=${LD_LIBRARY_PATH}:/lib:/usr/lib:/usr/local/lib export CLASSPATH=$ORACLE_HOME/JRE

export CLASSPATH=${CLASSPATH}:$ORACLE_HOME/jlib

export CLASSPATH=${CLASSPATH}:$ORACLE_HOME/rdbms/jlib

export CLASSPATH=${CLASSPATH}:$ORACLE_HOME/network/jlib

export THREADS_FLAG=native

#export DISPLAY=192.168.193.5:0.0

export JAVA_HOME=/usr

执行sh ~/.bash_profile

查看环境变量 env

5、 安装，安装前执行export LANG=en，否则安装界面显示不完整

./runInstall

6、Oracle的启动

进入oracle用户

su – oracle

执行 sqlplus “/as sysdba”

startup 启动实例

lsnrctl start 启动监听

查看oracle是否启动：ps –ef | grep oracl

关闭oracle：shutdown 或 kill -9 进程号

? Tomcat for linux

Apache tomcat 5.XX.tar.gz

解压 tar.gz

配置环境变量:export JAVA_HOME=/usr

启动tomcat：

进入tomcat 的bin目录

执行 sh ./startup.sh

查看是否启动

ps –ef | grep java

关闭tomcat：

sh ./shutdown.sh 或 kill -9 进程号

测试：http://locahost:8080/

项目启动应该用nohup ./.startup.sh &

查看输出日志为：tail –f catalina.out

? 服务器注意事项：

系统---管理---网络设置--主机名去掉，或者编辑/etc/sysconfig/network将HOSTNAME设置为空

linux 下etc 目录下

修改文件hosts

增加 172.18.100.5 tymt05

? ftp和telnet的设置

开启Telnet服务需要按以下步骤操作：

选择Telnet服务

相当于更改/etc/inetd.d/telnet文件中disable=no

或/etc/inetd.d/krb5-telnet

重启服务#service xinetd restart

修改/etc/securetty文件，添加pts/0、pts/1，允许两个root用户直接Telnet

开启FTP服务的方法：

注释掉如下两个文件中root行

/etc/vsftpd.ftpusers

/etc/vsftpd.user-list

启动ftp服务进程

./etc/init.d/vsftpd restart

? 安装过程中的一些错误提示：

1、用户的$HOME/.dmrc 已被忽略

这里问题出现基本上是由于文件的权限造成的。

输入如下命令，hunker为你的用户名，全部都要改成你的用户名，执行过程中会有一些错误提示，不用管。

chmod 755 -R ~/

sudo chown -R hunker:hunker /home/hunker

sudo chmod 644 /home/hunker/.dmrc

sudo chown hunker:hunker /home/hunker/.dmrc

如果是root用户登陆就是：

chmod 755 -R ~/

sudo chown -R root:root /root

sudo chmod 644 /root/.dmrc

sudo chown root:root /root/.dmrc

2、路由的设置

对于双网卡，如果发现不通网段的IP连接不通的时候，可以检查网卡的设置，先使用route命令，看看default是哪个网卡，激活顺序最后的那个是default。

3、应用系统中JSP出现双引号的问题，tomcat5.5.20之后都会出现，如果想简单解决该问题，直接将tomcat的版本降低为tomcat5.5.20以下版本，比如tomcat5.5.17。