写点什么

云平台 Linux 服务器问题场景分析思路及工具箱

  • 2019-05-04
  • 本文字数:2641 字

    阅读完需:约 9 分钟

云平台 Linux 服务器问题场景分析思路及工具箱

前言

本文主要结合笔者在苏宁云平台支撑工作中的实践,以基于经验切实有效的判定分析方式贯穿, 整理了云平台 Linux 服务器(下文中区分了物理机及虚拟机)运维中的常见问题场景、分析工具箱及判别思路。主要包含以下三部分:


  1. Linux 服务器 CPU、I/O、内存性能异常的常用工具、判定标准、以及分析思路。

  2. Linux 服务器异常宕机的故障可能的原因、定位方法与常规分析思路。

  3. Linux 服务器丢包的问题可能的原因、定位方法与常规分析思路。


读者范围:中高级 linux 服务器运维人员


注:本文结合问题图景枚举了各个 tool 与分析关联较大的参数及用法,以起到一个示例说明,各工具的详细用法需要自行阅读研习 man 手册。

Linux 服务器 CPU、I/O、内存性能异常

CPU 异常


图 1 CPU 异常分解

top

top -H -d 1 -c
高亮列及运行进程 z x y选择 shift+L/Rarrow
复制代码

pidstat

• -d 磁盘读写报告 I/O 统计


• -r 内存使用及缺页


• -u CPU


• -l 展示命令行及参数


• -w switch


• -t 显示线程的统计


• -T


每秒展示活动进程的CPU使用率pidstat -u 1按线程组关系聚合展示CPU消耗时间,帮助找出busy 线程pidstat  -t 1 -T ALL
复制代码

sar

• -b 块统计


• -B 页面


• -r 页面使用统计


• -R 页面回收统计


• -d 磁盘使用统计


• -q 调度统计


• -S swap


• -m 运行频率


• -v 文件 inode dentry 活动统计


• -w 调度 switch


• -W 换入换出统计


• -n 网络 DEV, EDEV, NFS, NFSD, SOCK, IP, EIP, ICMP, EICMP, TCP, ETCP, UDP, SOCK6, IP6, EIP6, ICMP6, EICMP6 and UDP6


• -s 00:00:00 -e 00:21:00 指明要查看的开始结束时间

iotop

iostat

Nmon 分析 NMON Visulizar

NMON Visulizar 是来自于 IBM 的 Nmon 可视化分析工具

sysrq

开启开关echo 1 > /proc/sys/kernel/sysrq打印进程堆栈echo t > /proc/sysrq-triggereg.如果已经softlockup 且业务影响已然明显,停业务后用下面命令产生一个vmcoreecho c > /proc/sysrq-trigger
复制代码

strace

• -c 统计系统调用次数及时间


• -f 也 trace 子进程调用


• -e 指明关心的调用 eg. -e open,write


eg:


命令执行时挂起,了解进程挂在哪个syscallstrace cmd arg进程系统调用开销较大,获取syscall统计strace -p PID -c
复制代码

gdb

• bt 查看执行堆栈


• frame 切换工作帧


用户进程的cpu消耗影响系统整体使用,配合debuginfo及代码可大致梳理出占用逻辑,attach后,进程会STOPgdb -p PID
复制代码

perf

perf top 在线采样及展示:


• -e 指明事件,默认是 cycle,全部时间可 perf list 查询


• -G 调用图


• -F 采样频率


• -d 刷新间隔


• -p 特定进程


• -C 特定核


perf top -d1 -G -F 99 -zshift + e 可展开堆栈视图shift + c 可折叠堆栈视图
复制代码


perf record/report


• record 输出采样文件 perf.data 文件


• report 解析


perf record -F 99 -a -g -p PID -C 6 sleep 5perf report
复制代码

内存异常


图 2 内存异常分解

一般检查

free
cat /proc/self/statuscat /proc/self/smaps
numastat -m
numactl --hardware
cat /proc/meminfo
复制代码

zoneinfo

cat /proc/zoneinfo |egrep "zone|min|low|high|free|present"....Node 0, zone   Normal  pages free     3195167        min      13740        low      17175        high     20610        present  3361280    nr_free_pages 3195167              high:  186              high:  186
复制代码

三条水线

sysctl -a|grep extra_free_kbytes min_free_kbytes extra_free_kbytes 的组合值构成三个水线。


• 直接回收线 MIN min_free_kbytes


• 后台回收线 LOW 5/4*min_free_kbytes + extra_free_kbytes


• 后台回收停止 HIGH 3/2 * min_free_kbytes + extra_free_kbytes

物理页面情况


Node 0, zone DMA 2 2 1 1 1 0 1 0 1 1 3 Node 0, zone DMA32 730 596 414 339 277 214 159 127 85 68 557 Node 0, zone Normal 447 558 348 166 72 45 1021 888 607 252 2661
复制代码

内核结构缓冲

slabtop了解当前内核数据结构内存消耗
复制代码

I/O 异常


图 3 I/O 异常分解

io scheduler

cfq deadline noop

blktrace & blkparser

当意外的 I/O 延迟发生,需要深入了解 I/O 延迟分布,需要使用 blktrace & blkparser 工具进行细致分析。

dd

学会合理使用 oflag 标志 sync 同步刷出数据 direct 绕过 pagecache。

fio

用来标定系统 I/O 能力的便捷工具:


fio -filename=/dev/mapper/vg_os-testlv  -direct=1 -iodepth 1 -thread -rw=randwrite -ioengine=psync -bs=8k -size=100G -numjobs=96 -runtime=60 -group_reporting -name=mytest
复制代码

du & df

面向块占用及文件系统占用的查询分析:


strace 可以看出两个命令原理的差异:df 读取文件系统信息,du stat 各个文件然后累加。


两者出入较大需进一步考察:是否存在空洞?是否一个文件用户已经看不到但是文件系统还没有真正删除?(就是打开文件被删除的情况  lsof +L1)是否被某些挂载点隐藏了之前的目录文件?df 显示错误的话怀疑是否fs损坏?
复制代码

网络异常场景


图 4 网络异常分析

ethtool

ethtool -S关注drop  error 
复制代码

tc 统计检查

tc -s -d qd关注包drop情况
复制代码

ss netstat iftop

常用连接查看netstat -ntpnetstat -ntplss -ie
复制代码

tcpdump

• -i 待抓取的网口名字


• -w 抓包文件,可以是时间格式化串


• -G 回滚时长,单位秒


• -c 抓取多少个包后退出


• -s 抓取部分报文,单位字节


• -r 读取抓包文件离线分析


• -z 调用 gzip 等工具做压缩


• -Z 切换 user 运行,默认是 tcpdump


• -B 设置 buf 大小,不然抓不全单位 KB 10240


eg.
tcpdump tcp port 80 and host tcpdump -s0 -w %m_%d_%H_%M_%S.pcap -G 5 -z gzip -Z root -c 100000 -i any
复制代码

宕机场景分析


图 5 宕机场景分析

dropwatch

crash 工具

• log 查看宕机关联日志


• bt 查看宕机位置


• sys 查看基本信息


crash  vmcore  vmlinuxvmlinux 来自于kernel debuginfo包,是带调试信息的二进制内核镜像
如果系统未正确生成vmcore, 需检查 /etc/kdump.conf 配置及其中的设定vmcore 路径此处讨论已开始涉及内核态问题,常见异常分析领域不再展开
复制代码

总结

本文场景化地总结了云平台几类常见的 Linux 服务器异常分析思路及 toolset, 篇幅所限无法面面俱到,但如开篇提到,真正的快速有效的问题判别定位离不开对系统领域的熟悉与细致缜密的判断,以场景化方式灵活地运用好工具箱,达到由表及里、由浅入深的理解系统,快速高效解决线上问题。




作者简介


谢英豪,苏宁科技集团云平台中心高级工程师,长期耕耘于 Linux 内核及操作系统的支撑领域,保障苏宁云环境线上海量 KVM Server Farm 的稳定高效运行。


2019-05-04 11:005904

评论 2 条评论

发布
用户头像
写得还挺像样的
2019-05-05 10:12
回复
用户头像
收藏了!!
2019-05-04 21:47
回复
没有更多了
发现更多内容

如何手撸一个自有知识库的RAG系统

京东科技开发者

全面升级,票据识别新纪元:合合信息TextIn多票识别2.0

合合技术团队

人工智能 OCR 发票识别

服务网格自动故障检测及流量切换方案

天翼云开发者社区

云计算 微服务 云原生 容器技术 服务网格

亚信安慧AntDB数据库与云信达eCloud Data Master 云数据管理系统软件V4完成兼容性互认证

亚信AntDB数据库

AntDB 国产数据库 企业号2024年6月PK榜

利用大模型服务一线小哥的探索与实践

京东科技开发者

性能优化之路总结

京东科技开发者

人工智能 | 大模型之提示词工程:零样本提示

测吧(北京)科技有限公司

测试

一文了解Spark引擎的优势及应用场景

不在线第一只蜗牛

大数据 spark 分布式

iPaaS中API接口管理平台的作用

RestCloud

API API接口 ipaas

Airtest脚本的重构与优化:提升测试效率和可读性

我再BUG界嘎嘎乱杀

Python 性能优化 测试 自动化测试 Airtest

“翼”鸣惊人 天翼云两篇论文被ACM ICPP 2024收录

极客天地

亚信安慧AntDB数据库5月ACP认证圆满落幕

亚信AntDB数据库

AntDB 国产数据库 #数据库 亚信科技

入选IDC《数据要素全景研究 2024》,腾讯云大数据引领产业升级

腾讯云大数据

TBDS wedata

“专业敏捷教练课程” 8月31-9月1日 · CSP-SM认证周末班【晋升高阶享多重福利】

ShineScrum

数智融通 创新发展|亚信科技携AntDB、Data OS与隐私计算产品,赋能企业高质量发展

亚信AntDB数据库

数据库 AntDB 国产数据库 企业号 6 月 PK 榜

硬核解读KubeEdge基于大模型边云协同的机器人语义分割算法

华为云开发者联盟

开源 华为云 大模型 华为云开发者联盟 企业号2024年6月PK榜

StarRocks x 腾讯视频:指标中台驱动湖仓一体建设实践

StarRocks

数据库 大数据 数据湖 湖仓一体 指标平台

ETL驱动企业集成转型与数据集成创新

RestCloud

ETL 数据集成 ETLCloud

云平台 Linux 服务器问题场景分析思路及工具箱_开源_谢英豪_InfoQ精选文章