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 $user; done
是否有某个定时任务运行过于频繁? 是否有些用户提交了隐藏的定时任务? 在出现故障的时候,是否正好有某个备份任务在执行?
十三、应用系统日志
这里边可分析的东西就多了, 不过恐怕你作为运维人员是没功夫去仔细研究它的。关注那些明显的问题,比如在一个典型的LAMP(Linux+Apache+Mysql+Perl)应用环境里:
Apache & Nginx; 查找访问和错误日志, 直接找 5xx 错误, 再看看是否有 limit_zone 错误。 MySQL; 在mysql.log找错误消息,看看有没有结构损坏的表, 是否有innodb修复进程在运行,是否有disk/index/query 问题. PHP-FPM; 如果设定了 php-slow日志, 直接找错误信息 (php, mysql, memcache, …),如果没设定,赶紧设定。 Varnish; 在varnishlog 和 varnishstat 里, 检查 hit/miss比. 看看配置信息里是否遗漏了什么规则,使最终用户可以直接攻击你的后端? HA-Proxy; 后端的状况如何?健康状况检查是否成功?是前端还是后端的队列大
小达到最大值了?
结论
经过这5分钟之后,你应该对如下情况比较清楚了:
在服务器上运行的都是些啥? 这个故障看起来是和 IO/硬件/网络 或者 系统配置 (有问题的代码、系统内核调优, …)相关。 这个故障是否有你熟悉的一些特征?比如对数据库索引使用不当,或者太多的
apache后台进程。
你甚至有可能找到真正的故障源头。就算还没有找到,搞清楚了上面这些情况之后,你现在也具备了深挖下去的条件。当然还可以借助ITIL工具对CMDB资产的关联进行深入分析。继续努力吧!
? Oracle 10g For Linux redhat 5.3
安装步骤:
1、 建立oracle用户,并设置密码
useradd oracle
passwd oracle
2、 建立群组
groupadd oinstall
用户增加到组
useradd -g oinstall -G oracle
建立相应的oracle目录
mkdir /usr/oracle
目录添加到oinstall组
chown -R oracle:oinstall /usr/oracle
目录添加到oracle用户
chown -R /usr/oracle oracle:oinstall oracle
3、
4、 设置xwindow的安装用户权限显示 xhost local:oracle 设置环境变量
export LANUAGE=en
oracle 相应的环境变量
vi ~/.bash_profile
增加如下:
export PATH
unset USERNAME
export ORACLE_BASE=/usr/oracle
export ORACLE_HOME=$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。
20xx年运维部工作总结20xx年业已尾声,我部门在公司的正确领导下,认真执行公司制定的各项制度及部门制度,努力改进工作中存在的不…
It运维服务工作总结至20xx年x月底,0000000000000000000有限公司在0000000000000000公司的运维…
数据运维服务方案20xx年8月深圳海联讯科技股份有限公司北京市质量技术监督局数据运维服务方案1服务背景当前随着我局信息化建设的不断…
运维服务工作总结至20xx年底银海科技有限公司在蓝湾科技有限公司的运维又届满一年的时间了在这为期一年的运维工作当中运维的业务飞速发…
201xx年运维部工作总结20xx年业已尾声,我部门在公司的正确领导下,认真执行公司制定的各项制度及部门制度,努力改进工作中存在的…
It运维服务工作总结至20xx年x月底,0000000000000000000有限公司在0000000000000000公司的运维…
华中师范大学体育学院学生会宣传部首届PPT大赛总结伴随着第四届体苑文化节的进行,由院学生会宣传部主办的“PPT制作大赛”也画上了圆…
一、目录1.学校简介4.教育调查2.概况简介5.小结3.实习教育工作6.致谢二、学校简介昆明市盘龙区桃源小学创建于19xx年,具有…
小编给大家整理的销售部年度总结ppt模板,仅供参考。1、封面封面最好是公司的形象在上面,照片等。要有主题、汇报人、日期。如“XXX…
1温度变送器的调试:对应其接线图,检查线路有没有问题;考虑到采集信号的干扰问题,采集的信号必须是一对一的点,如果短接会造成干扰;检…
20xx年中考经验总结及20xx年中考备考20xx年中考复习摆在了各任课老师的面前,总结xx年的中考中的经验对我们统筹安排20xx…