系統管理員入門：排除故障

我通常會嚴格保持此博客的技術性，將觀察、意見等內容保持在最低限度。但是，這篇和接下來的幾篇文章將介紹剛進入系統管理/SRE/系統工程師/sysops/devops-ops（無論你想稱自己是什麼）角色的常見的基礎知識。

請跟我來！

「我的網站很慢！」

我只是隨機選擇了本文的問題類型，這也可以應用於任何與系統管理員相關的故障排除。我並不是要炫耀那些可以發現最多的信息的最聰明的「金句」。它也不是一個詳盡的、一步步指導的、並在最後一個方框中導向「利潤」一詞的「流程圖」。

我會通過一些例子展示常規的方法。

示例場景僅用於說明本文目的。它們有時會做一些不適用於所有情況的假設，而且肯定會有很多讀者在某些時候說「哦，但我覺得你會發現……」。

但那可能會讓我們錯失重點。

十多年來，我一直在從事於支持工作，或在支持機構工作，有一件事讓我一次又一次地感到震驚，這促使我寫下了這篇文章。

有許多技術人員在遇到問題時的本能反應，就是不管三七二十一去嘗試可能的解決方案。

「我的網站很慢，所以」，

• 我將嘗試增大 MaxClients/MaxRequestWorkers/worker_connections
• 我將嘗試提升 innodb_buffer_pool_size/effective_cache_size
• 我打算嘗試啟用 mod_gzip（遺憾的是，這是真實的故事）

「我曾經看過這個問題，它是因為某種原因造成的 —— 所以我估計還是這個原因，它應該能解決這個問題。」

這浪費了很多時間，並會讓你在黑暗中盲目亂撞，胡亂鼓搗。

你的 InnoDB 的緩衝池也許達到 100％ 的利用率，但這可能只是因為有人運行了一段時間的一次性大型報告導致的。如果沒有排除這種情況，那你就是在浪費時間。

開始之前

在這裡，我應該說明一下，雖然這些建議同樣適用於許多角色，但我是從一般的支持系統管理員的角度來撰寫的。在一個成熟的內部組織中，或與規模較大的、規範管理的或「企業級」客戶合作時，你通常會對一切都進行檢測、測量、繪製、整理（甚至不是文字），並發出警報。那麼你的方法也往往會有所不同。讓我們在這裡先忽略這種情況。

如果你沒有這種東西，那就隨意了。

澄清問題

首先確定實際上是什麼問題。「慢」可以是多種形式的。是收到第一個位元組的時間嗎？從糟糕的 Javascript 載入和每頁載入要拉取 15 MB 的靜態內容，這是一個完全不同類型的問題。是慢，還是比通常慢？這是兩個非常不同的解決方案！

在你著手做某事之前，確保你知道實際報告和遇到的問題。找到問題的根源通常很困難，但即便找不到也必須找到問題本身。

否則，這相當於系統管理員帶著一把刀去參加槍戰。

唾手可得

首次登錄可疑伺服器時，你可以查找一些常見的嫌疑對象。事實上，你應該這樣做！每當我登錄到伺服器時，我都會發出一些命令來快速檢查一些事情：我們是否發生了頁交換（free / vmstat），磁碟是否繁忙（top / iostat / iotop），是否有丟包（netstat / proc/net/dev），是否處於連接數過多的狀態（netstat），有什麼東西佔用了 CPU（top），誰在這個伺服器上（w / who），syslog 和 dmesg 中是否有引人注目的消息？

如果你從 RAID 控制器得到 2000 條抱怨直寫式緩存沒有生效的消息，那麼繼續進行是沒有意義的。

這用不了半分鐘。如果什麼都沒有引起你的注意 —— 那麼繼續。

重現問題

如果某處確實存在問題，並且找不到唾手可得的信息。

那麼採取所有步驟來嘗試重現問題。當你可以重現該問題時，你就可以觀察它。當你能觀察到時，你就可以解決。如果在第一步中尚未顯現出或覆蓋了問題所在，詢問報告問題的人需要採取哪些確切步驟來重現問題。

對於由太陽耀斑或只能運行在 OS/2 上的客戶端引起的問題，重現並不總是可行的。但你的第一個停靠港應該是至少嘗試一下！在一開始，你所知道的是「某人認為他們的網站很慢」。對於那些人，他們可能還在用他們的 GPRS 手機，也可能正在安裝 Windows 更新。你在這裡挖掘得再深也是浪費時間。

嘗試重現！

檢查日誌

我對於有必要包括這一點感到很難過。但是我曾經看到有人在運行 tail /var/log/... 之後幾分鐘就不看了。大多數 *NIX 工具都特別喜歡記錄日誌。任何明顯的錯誤都會在大多數應用程序日誌中顯得非常突出。檢查一下。

縮小範圍

如果沒有明顯的問題，但你可以重現所報告的問題，那也很棒。所以，你現在知道網站是慢的。現在你已經把範圍縮小到：瀏覽器的渲染/錯誤、應用程序代碼、DNS 基礎設施、路由器、防火牆、網卡（所有的）、乙太網電纜、負載均衡器、資料庫、緩存層、會話存儲、Web 伺服器軟體、應用程序伺服器、內存、CPU、RAID 卡、磁碟等等。

根據設置添加一些其他可能的罪魁禍首。它們也可能是 SAN，也不要忘記硬體 WAF！以及…… 你明白我的意思。

如果問題是接收到第一個位元組的時間，你當然會開始對 Web 伺服器去應用上已知的修復程序，就是它響應緩慢，你也覺得幾乎就是它，對吧？但是你錯了！

你要回去嘗試重現這個問題。只是這一次，你要試圖消除儘可能多的潛在問題來源。

你可以非常輕鬆地消除絕大多數可能的罪魁禍首：你能從伺服器本地重現問題嗎？恭喜，你剛剛節省了自己必須嘗試修復 BGP 路由的時間。

如果不能，請嘗試使用同一網路上的其他計算機。如果可以的話，至少你可以將防火牆移到你的嫌疑人名單上，（但是要注意一下那個交換機！）

是所有的連接都很慢嗎？雖然伺服器是 Web 伺服器，但並不意味著你不應該嘗試使用其他類型的服務進行重現問題。netcat 在這些場景中非常有用（但是你的 SSH 連接可能會一直有延遲，這可以作為線索）！ 如果這也很慢，你至少知道你很可能遇到了網路問題，可以忽略掉整個 Web 軟體及其所有組件的問題。用這個知識（我不收 200 美元）再次從頂部開始，按你的方式由內到外地進行！

即使你可以在本地復現 —— 仍然有很多「因素」留下。讓我們排除一些變數。你能用普通文件重現它嗎？ 如果 i_am_a_1kb_file.html 很慢，你就知道它不是資料庫、緩存層或 OS 以外的任何東西和 Web 伺服器本身的問題。

你能用一個需要解釋或執行的 hello_world.(py|php|js|rb..) 文件重現問題嗎？如果可以的話，你已經大大縮小了範圍，你可以專註於少數事情。如果 hello_world 可以馬上工作，你仍然學到了很多東西！你知道了沒有任何明顯的資源限制、任何滿的隊列或在任何地方卡住的 IPC 調用，所以這是應用程序正在做的事情或它正在與之通信的事情。

所有頁面都慢嗎？或者只是從第三方載入「實時分數數據」的頁面慢？

這可以歸結為：你仍然可以重現這個問題所涉及的最少量的「因素」是什麼？

我們的示例是一個緩慢的網站，但這同樣適用於幾乎所有問題。郵件投遞？你能在本地投遞嗎？能發給自己嗎？能發給<常見的服務提供者>嗎？使用小的、純文本的消息進行測試。嘗試直到遇到 2MB 擁堵時。使用 STARTTLS 和不使用 STARTTLS 呢？按你的方式由內到外地進行！

這些步驟中的每一步都只需要幾秒鐘，遠遠快於實施大多數「可能的」修復方案。

隔離觀察

到目前為止，當你去除特定組件時無法重現問題時，你可能已經偶然發現了問題所在。

但如果你還沒有，或者你仍然不知道為什麼：一旦你找到了一種方法來重現問題，你和問題之間的「東西」（某個技術術語）最少，那麼就該開始隔離和觀察了。

請記住，許多服務可以在前台運行和/或啟用調試。對於某些類別的問題，執行此操作通常非常有幫助。

這也是你的傳統武器庫發揮作用的地方。strace、lsof、netstat、GDB、iotop、valgrind、語言分析器（cProfile、xdebug、ruby-prof ……）那些類型的工具。

一旦你走到這一步，你就很少能擺脫剖析器或調試器了。

strace 通常是一個非常好的起點。

你可能會注意到應用程序停留在某個連接到埠 3306 的套接字文件描述符上的特定 read() 調用上。你會知道該怎麼做。

轉到 MySQL 並再次從頂部開始。顯而易見：「等待某某鎖」、死鎖、max_connections ……進而：是所有查詢？還是只寫請求？只有某些表？還是只有某些存儲引擎？等等……

你可能會注意到調用外部 API 資源的 connect() 需要五秒鐘才能完成，甚至超時。你會知道該怎麼做。

你可能會注意到，在同一對文件中有 1000 個調用 fstat() 和 open() 作為循環依賴的一部分。你會知道該怎麼做。

它可能不是那些特別的東西，但我保證，你會發現一些東西。

如果你只是從這一部分學到一點，那也不錯；學習使用 strace 吧！真的學習它，閱讀整個手冊頁。甚至不要跳過歷史部分。man 每個你還不知道它做了什麼的系統調用。98％ 的故障排除會話以 strace 而終結。

via: http://northernmost.org/blog/troubleshooting-101/index.html

作者：Erik Ljungstrom 譯者：wxy 校對：wxy

本文由 LCTT 原創編譯，Linux中國 榮譽推出

本文轉載來自 Linux 中國: https://github.com/Linux-CN/archive