在有那么一瞬间，遇到服务器故障可能会手足无措，完全不知道自己应该干些什么，该如何处理。这里就简单记录一下解决服务器故障的思路，以便今后迅速定位问题。
问题的前因后果
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?
有谁在?
1 w
2 last
3 who /var/log/wtmp
用这三个命令看看都有谁在线，有哪些用户访问过。
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。
现在在运行的进程是啥?
1 pstree -a
2 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。
监听的网络服务
1 netstat -auntlp
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。
CPU 和内存
1 free -m
2 uptime
3 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?
硬件
1 lspci
2 dmidecode
3 ethtool
有很多服务器可能是硬件故障，具体看一下:
- RAID 卡 (是否带BBU备用电池?)
- CPU、空余的内存插槽?
- 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
1 iostat -kx 2
2 vmstat 2 10
3 mpstat 2 10
4 dstat --top-io --top-bio
具体关注以下问题:
- 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?
- 服务器硬盘是否已满?
文件系统
1 mount
2 cat /etc/fstab
3 vgs/pvs/lvs
4 df -h
5 lsof
具体关注以下问题:
- 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? \
- 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？
- 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？
内核、中断和网络
1 sysctl -a | grep ...
2 cat /proc/interrupts
3 cat /proc/net/ip_conntrack /* may take some time on busy servers */
4 ss -s
具体关注以下问题:
- 内核是否做什么相关优化？
- 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？
- 在不同状态下(TIME_WAIT, …)TCP连接时间的设置是怎样的？
系统日志
1 dmesg
2 less /var/log/messages
3 less /var/log/secure
4 less /var/log/auth
具体关注以下问题:
- 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?
定时任务
1 ls /etc/cron* + cat
2 for user in $(cat /etc/passwd | cut -f1 -d:); do crontab -l -u $user; done
具体关注以下问题:
- 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？
应用系统日志
这个要涉及的就比较多了，不过一般是应用故障我们查看相关的应用日志即可。
例如：
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。
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
经过一系列的处理之后，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？
