當(dāng)前位置：首頁 > 运维知识 > linux >内容正文

linux

【干货】Linux 运维故障排查思路，有这篇文章就够了

發(fā)布時(shí)間：2025/3/20 linux 21 豆豆

生活随笔收集整理的這篇文章主要介紹了【干货】Linux 运维故障排查思路，有这篇文章就够了小編覺得挺不錯(cuò)的,現(xiàn)在分享給大家,幫大家做個(gè)參考.

關(guān)注我，你的眼睛會懷孕

1. 背景

有時(shí)候會遇到一些疑難雜癥，并且監(jiān)控插件并不能一眼立馬發(fā)現(xiàn)問題的根源。這時(shí)候就需要登錄服務(wù)器進(jìn)一步深入分析問題的根源。那么分析問題需要有一定的技術(shù)經(jīng)驗(yàn)積累，并且有些問題涉及到的領(lǐng)域非常廣，才能定位到問題。所以，分析問題和踩坑是非常鍛煉一個(gè)人的成長和提升自我能力。如果我們有一套好的分析工具，那將是事半功倍，能夠幫助大家快速定位問題，節(jié)省大家很多時(shí)間做更深入的事情。

2. 說明

本篇文章主要介紹各種問題定位的工具以及會結(jié)合案例分析問題。

3. 分析問題的方法論

套用5W2H方法，可以提出性能分析的幾個(gè)問題

What-現(xiàn)象是什么樣的
When-什么時(shí)候發(fā)生
Why-為什么會發(fā)生
Where-哪個(gè)地方發(fā)生的問題
How much-耗費(fèi)了多少資源
How to do-怎么解決問題

4. cpu

4.1 說明

針對應(yīng)用程序，我們通常關(guān)注的是內(nèi)核CPU調(diào)度器功能和性能。

線程的狀態(tài)分析主要是分析線程的時(shí)間用在什么地方，而線程狀態(tài)的分類一般分為：

on-CPU：執(zhí)行中，執(zhí)行中的時(shí)間通常又分為用戶態(tài)時(shí)間user和系統(tǒng)態(tài)時(shí)間sys。

off-CPU：等待下一輪上CPU，或者等待I/O、鎖、換頁等等，其狀態(tài)可以細(xì)分為可執(zhí)行、匿名換頁、睡眠、鎖、空閑等狀態(tài)。

如果大量時(shí)間花在CPU上，對CPU的剖析能夠迅速解釋原因；如果系統(tǒng)時(shí)間大量處于off-cpu狀態(tài)，定位問題就會費(fèi)時(shí)很多。但是仍然需要清楚一些概念：

處理器
核
硬件線程
CPU內(nèi)存緩存
時(shí)鐘頻率
每指令周期數(shù)CPI和每周期指令數(shù)IPC
CPU指令
使用率
用戶時(shí)間／內(nèi)核時(shí)間
調(diào)度器
運(yùn)行隊(duì)列
搶占
多進(jìn)程
多線程
字長

4.2 分析工具

說明:

uptime，vmstat，mpstat，top，pidstat 只能查詢到cpu及負(fù)載的的使用情況。
perf可以跟著到進(jìn)程內(nèi)部具體函數(shù)耗時(shí)情況，并且可以指定內(nèi)核函數(shù)進(jìn)行統(tǒng)計(jì)，指哪打哪。

4.3 使用方式

//查看系統(tǒng)cpu使用情況top//查看所有cpu核信息mpstat -P ALL 1//查看cpu使用情況以及平均負(fù)載vmstat 1//進(jìn)程cpu的統(tǒng)計(jì)信息pidstat -u 1 -p pid//跟蹤進(jìn)程內(nèi)部函數(shù)級cpu使用情況 perf top -p pid -e cpu-clock

5. 內(nèi)存

5.1 說明

內(nèi)存是為提高效率而生，實(shí)際分析問題的時(shí)候，內(nèi)存出現(xiàn)問題可能不只是影響性能，而是影響服務(wù)或者引起其他問題。同樣對于內(nèi)存有些概念需要清楚：

主存
虛擬內(nèi)存
常駐內(nèi)存
地址空間
OOM
頁緩存
缺頁
換頁
交換空間
交換
用戶分配器libc、glibc、libmalloc和mtmalloc
LINUX內(nèi)核級SLUB分配器

5.2 分析工具

說明：

free，vmstat，top，pidstat，pmap只能統(tǒng)計(jì)內(nèi)存信息以及進(jìn)程的內(nèi)存使用情況。
valgrind 可以分析內(nèi)存泄漏問題。
dtrace 動態(tài)跟蹤。需要對內(nèi)核函數(shù)有很深入的了解，通過D語言編寫腳本完成跟蹤。

5.3 使用方式

//查看系統(tǒng)內(nèi)存使用情況free -m//虛擬內(nèi)存統(tǒng)計(jì)信息vmstat 1//查看系統(tǒng)內(nèi)存情況top//1s采集周期，獲取內(nèi)存的統(tǒng)計(jì)信息pidstat -p pid -r 1//查看進(jìn)程的內(nèi)存映像信息pmap -d pid//檢測程序內(nèi)存問題valgrind --tool=memcheck --leak-check=full --log-file=./log.txt ./程序名

6. 磁盤IO

6.1 說明

磁盤通常是計(jì)算機(jī)最慢的子系統(tǒng)，也是最容易出現(xiàn)性能瓶頸的地方，因?yàn)榇疟P離 CPU 距離最遠(yuǎn)而且 CPU 訪問磁盤要涉及到機(jī)械操作，比如轉(zhuǎn)軸、尋軌等。訪問硬盤和訪問內(nèi)存之間的速度差別是以數(shù)量級來計(jì)算的，就像1天和1分鐘的差別一樣。要監(jiān)測 IO 性能，有必要了解一下基本原理和 Linux 是如何處理硬盤和內(nèi)存之間的 IO 的。

在理解磁盤IO之前，同樣我們需要理解一些概念，例如：

文件系統(tǒng)
VFS
文件系統(tǒng)緩存
頁緩存page cache
緩沖區(qū)高速緩存buffer cache
目錄緩存
inode
inode緩存
noop調(diào)用策略

6.2 分析工具

6.3 使用方式

//查看系統(tǒng)io信息iotop//統(tǒng)計(jì)io詳細(xì)信息iostat -d -x -k 1 10//查看進(jìn)程級io的信息pidstat -d 1 -p pid//查看系統(tǒng)IO的請求，比如可以在發(fā)現(xiàn)系統(tǒng)IO異常時(shí)，可以使用該命令進(jìn)行調(diào)查，就能指定到底是什么原因?qū)е碌腎O異常perf record -e block:block_rq_issue -ag^Cperf report

7. 網(wǎng)絡(luò)

7.1 說明

網(wǎng)絡(luò)的監(jiān)測是所有 Linux 子系統(tǒng)里面最復(fù)雜的，有太多的因素在里面，比如：延遲、阻塞、沖突、丟包等，更糟的是與 Linux 主機(jī)相連的路由器、交換機(jī)、無線信號都會影響到整體網(wǎng)絡(luò)并且很難判斷是因?yàn)?Linux 網(wǎng)絡(luò)子系統(tǒng)的問題還是別的設(shè)備的問題，增加了監(jiān)測和判斷的復(fù)雜度。現(xiàn)在我們使用的所有網(wǎng)卡都稱為自適應(yīng)網(wǎng)卡，意思是說能根據(jù)網(wǎng)絡(luò)上的不同網(wǎng)絡(luò)設(shè)備導(dǎo)致的不同網(wǎng)絡(luò)速度和工作模式進(jìn)行自動調(diào)整。

7.2 分析工具

7.3 使用方式

//顯示網(wǎng)絡(luò)統(tǒng)計(jì)信息netstat -s//顯示當(dāng)前UDP連接狀況netstat -nu//顯示UDP端口號的使用情況netstat -apu//統(tǒng)計(jì)機(jī)器中網(wǎng)絡(luò)連接各個(gè)狀態(tài)個(gè)數(shù)netstat -a | awk '/^tcp/ {++S[$NF]} END {for(a in S) print a, S[a]}'//顯示TCP連接ss -t -a//顯示sockets摘要信息ss -s//顯示所有udp socketsss -u -a//tcp,etcp狀態(tài)sar -n TCP,ETCP 1//查看網(wǎng)絡(luò)IOsar -n DEV 1//抓包以包為單位進(jìn)行輸出tcpdump -i eth1 host 192.168.1.1 and port 80 //抓包以流為單位顯示數(shù)據(jù)內(nèi)容tcpflow -cp host 192.168.1.1

8. 系統(tǒng)負(fù)載

8.1 說明

Load 就是對計(jì)算機(jī)干活多少的度量（WikiPedia：the system Load is a measure of the amount of work that a compute system is doing）簡單的說是進(jìn)程隊(duì)列的長度。Load Average 就是一段時(shí)間（1分鐘、5分鐘、15分鐘）內(nèi)平均Load。

8.2 分析工具

8.3 使用方式

//查看負(fù)載情況uptimetopvmstat//統(tǒng)計(jì)系統(tǒng)調(diào)用耗時(shí)情況strace -c -p pid//跟蹤指定的系統(tǒng)操作例如epoll_waitstrace -T -e epoll_wait -p pid//查看內(nèi)核日志信息dmesg

9. 火焰圖

9.1 說明

火焰圖（Flame Graph是 Bredan Gregg 創(chuàng)建的一種性能分析圖表，因?yàn)樗臉幼咏??而得名。

火焰圖主要是用來展示 CPU的調(diào)用棧。

y?軸表示調(diào)用棧，每一層都是一個(gè)函數(shù)。調(diào)用棧越深，火焰就越高，頂部就是正在執(zhí)行的函數(shù)，下方都是它的父函數(shù)。

x?軸表示抽樣數(shù)，如果一個(gè)函數(shù)在 x 軸占據(jù)的寬度越寬，就表示它被抽到的次數(shù)多，即執(zhí)行的時(shí)間長。注意，x 軸不代表時(shí)間，而是所有的調(diào)用棧合并后，按字母順序排列的。

火焰圖就是看頂層的哪個(gè)函數(shù)占據(jù)的寬度最大。只要有”平頂”（plateaus），就表示該函數(shù)可能存在性能問題。顏色沒有特殊含義，因?yàn)榛鹧鎴D表示的是 CPU 的繁忙程度，所以一般選擇暖色調(diào)。

常見的火焰圖類型有 On-CPU、Off-CPU、Memory、Hot/Cold、Differential等等。

9.2 安裝依賴庫

//安裝systemtap，默認(rèn)系統(tǒng)已安裝yum install systemtap systemtap-runtime//內(nèi)核調(diào)試庫必須跟內(nèi)核版本對應(yīng)，例如：uname -r 2.6.18-308.el5kernel-debuginfo-2.6.18-308.el5.x86_64.rpmkernel-devel-2.6.18-308.el5.x86_64.rpmkernel-debuginfo-common-2.6.18-308.el5.x86_64.rpm//安裝內(nèi)核調(diào)試庫debuginfo-install --enablerepo=debuginfo search kerneldebuginfo-install --enablerepo=debuginfo search glibc

9.3 安裝

git clone https://github.com/lidaohang/quick_location.gitcd quick_location

9.4 CPU級別火焰圖

cpu占用過高，或者使用率提不上來，你能快速定位到代碼的哪塊有問題嗎？

一般的做法可能就是通過日志等方式去確定問題。現(xiàn)在我們有了火焰圖，能夠非常清晰的發(fā)現(xiàn)哪個(gè)函數(shù)占用cpu過高，或者過低導(dǎo)致的問題。

9.4.1 on-CPU

cpu占用過高，執(zhí)行中的時(shí)間通常又分為用戶態(tài)時(shí)間user和系統(tǒng)態(tài)時(shí)間sys。

使用方式：

//on-CPU usersh ngx_on_cpu_u.sh pid//進(jìn)入結(jié)果目錄 cd ngx_on_cpu_u//on-CPU kernelsh ngx_on_cpu_k.sh pid//進(jìn)入結(jié)果目錄 cd ngx_on_cpu_k//開一個(gè)臨時(shí)端口 8088 python -m SimpleHTTPServer 8088//打開瀏覽器輸入地址127.0.0.1:8088/pid.svg DEMO：

#include <stdio.h>#include <stdlib.h> void foo3(){ } void foo2(){ int i; for(i=0 ; i < 10; i++) foo3();} void foo1(){ int i; for(i = 0; i< 1000; i++) foo3();} int main(void){ int i; for( i =0; i< 1000000000; i++) { foo1(); foo2(); }}

DEMO火焰圖：

9.4.2 off-CPU

cpu過低，利用率不高。等待下一輪CPU，或者等待I/O、鎖、換頁等等，其狀態(tài)可以細(xì)分為可執(zhí)行、匿名換頁、睡眠、鎖、空閑等狀態(tài)。

使用方式：

// off-CPU usersh ngx_off_cpu_u.sh pid//進(jìn)入結(jié)果目錄cd ngx_off_cpu_u//off-CPU kernelsh ngx_off_cpu_k.sh pid//進(jìn)入結(jié)果目錄cd ngx_off_cpu_k//開一個(gè)臨時(shí)端口8088python -m SimpleHTTPServer 8088//打開瀏覽器輸入地址127.0.0.1:8088/pid.svg

官網(wǎng)DEMO：

9.5 內(nèi)存級別火焰圖

如果線上程序出現(xiàn)了內(nèi)存泄漏，并且只在特定的場景才會出現(xiàn)。這個(gè)時(shí)候我們怎么辦呢？有什么好的方式和工具能快速的發(fā)現(xiàn)代碼的問題呢？同樣內(nèi)存級別火焰圖幫你快速分析問題的根源。

使用方式：

sh ngx_on_memory.sh pid//進(jìn)入結(jié)果目錄cd ngx_on_memory//開一個(gè)臨時(shí)端口8088python -m SimpleHTTPServer 8088//打開瀏覽器輸入地址127.0.0.1:8088/pid.svg

官網(wǎng)DEMO：

9.6 性能回退-紅藍(lán)差分火焰圖

你能快速定位CPU性能回退的問題么？如果你的工作環(huán)境非常復(fù)雜且變化快速，那么使用現(xiàn)有的工具是來定位這類問題是很具有挑戰(zhàn)性的。當(dāng)你花掉數(shù)周時(shí)間把根因找到時(shí)，代碼已經(jīng)又變更了好幾輪，新的性能問題又冒了出來。主要可以用到每次構(gòu)建中，每次上線做對比看，如果損失嚴(yán)重可以立馬解決修復(fù)。

通過抓取了兩張普通的火焰圖，然后進(jìn)行對比，并對差異部分進(jìn)行標(biāo)色：紅色表示上升，藍(lán)色表示下降。差分火焰圖是以當(dāng)前（“修改后”）的profile文件作為基準(zhǔn)，形狀和大小都保持不變。因此你通過色彩的差異就能夠很直觀的找到差異部分，且可以看出為什么會有這樣的差異。

使用方式：

cd quick_location//抓取代碼修改前的profile 1文件perf record -F 99 -p pid -g -- sleep 30perf script > out.stacks1//抓取代碼修改后的profile 2文件perf record -F 99 -p pid -g -- sleep 30perf script > out.stacks2//生成差分火焰圖:./FlameGraph/stackcollapse-perf.pl ../out.stacks1 > out.folded1./FlameGraph/stackcollapse-perf.pl ../out.stacks2 > out.folded2./FlameGraph/difffolded.pl out.folded1 out.folded2 | ./FlameGraph/flamegraph.pl > diff2.svg

DEMO：

//test.c#include <stdio.h>#include <stdlib.h> void foo3(){ } void foo2(){ int i; for(i=0 ; i < 10; i++) foo3();} void foo1(){ int i; for(i = 0; i< 1000; i++) foo3();} int main(void){ int i; for( i =0; i< 1000000000; i++) { foo1(); foo2(); }} //test1.c#include <stdio.h>#include <stdlib.h> void foo3(){ } void foo2(){ int i; for(i=0 ; i < 10; i++) foo3();} void foo1(){ int i; for(i = 0; i< 1000; i++) foo3();} void add(){ int i; for(i = 0; i< 10000; i++) foo3();} int main(void){ int i; for( i =0; i< 1000000000; i++) { foo1(); foo2(); add(); }}

DEMO紅藍(lán)差分火焰圖：

10. 案例分析

10.1 接入層nginx集群異常現(xiàn)象

通過監(jiān)控插件發(fā)現(xiàn)在 2017.09.25 19 點(diǎn)nginx集群請求流量出現(xiàn)大量的499，5xx狀態(tài)碼。并且發(fā)現(xiàn)機(jī)器cpu使用率升高，目前一直持續(xù)中。

10.2 分析nginx相關(guān)指標(biāo)

a)?**分析nginx請求流量：

結(jié)論：

通過上圖發(fā)現(xiàn)流量并沒有突增，反而下降了，跟請求流量突增沒關(guān)系。

b)?**分析nginx響應(yīng)時(shí)間

結(jié)論：

通過上圖發(fā)現(xiàn)nginx的響應(yīng)時(shí)間有增加可能跟nginx自身有關(guān)系或者跟后端upstream響應(yīng)時(shí)間有關(guān)系。

c)?**分析nginx upstream響應(yīng)時(shí)間

結(jié)論：

通過上圖發(fā)現(xiàn)nginx upstream 響應(yīng)時(shí)間有增加，目前猜測可能后端upstream響應(yīng)時(shí)間拖住nginx，導(dǎo)致nginx出現(xiàn)請求流量異常。

10.3 分析系統(tǒng)cpu情況

a)?**通過top觀察系統(tǒng)指標(biāo)

top

結(jié)論：

發(fā)現(xiàn)nginx worker cpu比較高

b)?**分析nginx進(jìn)程內(nèi)部cpu情況

perf top -p pid

結(jié)論：

發(fā)現(xiàn)主要開銷在free,malloc,json解析上面

10.4 火焰圖分析cpu
a)?**生成用戶態(tài)cpu火焰圖

//on-CPU usersh ngx_on_cpu_u.sh pid//進(jìn)入結(jié)果目錄cd ngx_on_cpu_u//開一個(gè)臨時(shí)端口8088python -m SimpleHTTPServer 8088//打開瀏覽器輸入地址127.0.0.1:8088/pid.svg

結(jié)論：

發(fā)現(xiàn)代碼里面有頻繁的解析json操作，并且發(fā)現(xiàn)這個(gè)json庫性能不高，占用cpu挺高。

10.5 案例總結(jié)

a)?分析請求流量異常，得出nginx upstream后端機(jī)器響應(yīng)時(shí)間拉長

b)?分析nginx進(jìn)程cpu高，得出nginx內(nèi)部模塊代碼有耗時(shí)的json解析以及內(nèi)存分配回收操作

10.5.1 深入分析

根據(jù)以上兩點(diǎn)問題分析的結(jié)論，我們進(jìn)一步深入分析。

后端upstream響應(yīng)拉長，最多可能影響nginx的處理能力。但是不可能會影響nginx內(nèi)部模塊占用過多的cpu操作。并且當(dāng)時(shí)占用cpu高的模塊，是在請求的時(shí)候才會走的邏輯。不太可能是upstram后端拖住nginx，從而觸發(fā)這個(gè)cpu的耗時(shí)操作。

10.5.2 解決方式

遇到這種問題，我們優(yōu)先解決已知的，并且非常明確的問題。那就是cpu高的問題。解決方式先降級關(guān)閉占用cpu過高的模塊，然后進(jìn)行觀察。經(jīng)過降級關(guān)閉該模塊cpu降下來了，并且nginx請求流量也正常了。之所以會影響upstream時(shí)間拉長，因?yàn)閡pstream后端的服務(wù)調(diào)用的接口可能是個(gè)環(huán)路再次走回到nginx。

11.參考資料

http://www.brendangregg.com/index.html
http://www.brendangregg.com/FlameGraphs/cpuflamegraphs.html
http://www.brendangregg.com/FlameGraphs/memoryflamegraphs.html
http://www.brendangregg.com/FlameGraphs/offcpuflamegraphs.html
http://www.brendangregg.com/blog/2014-11-09/differential-flame-graphs.html
https://github.com/openresty/openresty-systemtap-toolkit
https://github.com/brendangregg/FlameGraph
https://www.slideshare.net/brendangregg/blazing-performance-with-flame-graphs

總結(jié)

以上是生活随笔為你收集整理的【干货】Linux 运维故障排查思路，有这篇文章就够了的全部內(nèi)容，希望文章能夠幫你解決所遇到的問題。

如果覺得生活随笔網(wǎng)站內(nèi)容還不錯(cuò)，歡迎將生活随笔推薦給好友。

上一篇：【实验】配置DHCP和NAT访问Inte
下一篇：【干货】救火必备：线上故障排查套路大全