常见云服务器故障处理步骤有哪些？

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？是否有日志可以查看？

最后两个是最方便的信息来源，特别是日志系统，作为运维人员要善于和擅长查看日志，日志往往是你在没有头绪的时候给你最大的帮助，其实很多问题都在日志系统中暴露出来，比较方便的是使用系统笔记。

二、有谁在?

1.$w

2.$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。

三、之前发生了什么?

1.$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?

1.$pstree-a

2.$psaux

这都是查看现有进程的。psaux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

1.$netstat-ntlp

2.$netstat-nulp

3.$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。

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psaux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

1.$free-m

2.$uptime

3.$top

4.$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

1.$lspci

2.$dmidecode

3.$ethtool

有很多服务器还是裸机状态，可以看一下：

找到RAID卡、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

1.$iostat-kx2

2.$vmstat210

3.$mpstat210

4.$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

1.$mount

2.$cat/etc/fstab

3.$vgs

4.$pvs

5.$lvs

6.$df-h

7.$lsof+D//*bewarenottokillyourbox*/

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

1.$sysctl-a|grep...

2.$cat/proc/interrupts

3.$cat/proc/net/ip_conntrack/*maytakesometimeonbusyservers*/

4.$netstat

5.$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LinuxTCPtuning了解网络性能调优的一些要点。

十一、系统日志和内核消息

1.$dmesg

2.$less/var/log/messages

3.$less/var/log/secure

4.$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。如果你有多台机器,看起来很不方便，可以事先把日志存储在系统笔记的云日志服务器上，支持全文模糊查找。

十二、定时任务

1.$ls/etc/cron*+cat

2.$foruserin$(cat/etc/passwd|cut-f1-d:);docrontab-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（LAMPLinux+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。这里查看了下,并没有503的,只有403的错误。所以可以跳过

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。