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、IO、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、IO、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
pidstat
-d 磁盘读写报告io 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
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 nmonvisulizar
nmonvisulizar 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-trigger
eg.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vmcore
echo c > /proc/sysrq-trigger
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syscall
strace cmd arg
进程系统调用开销较大，获取syscall统计
strace -p PID -c
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STOP
gdb -p PID
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 -z
shift + e 可展开堆栈视图
shift + c 可折叠堆栈视图
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 5
perf report
内存异常
图2 内存异常分解
一般检查
free
cat /proc/self/status
cat /proc/self/smaps
numastat -m
numactl --hardware
cat /proc/meminfo
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
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
cat /proc/buddyinfo
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
内核结构缓冲
slabtop 了解当前内核数据结构内存消耗
io异常
图3 io 异常分解
io scheduler
cfq deadline noop
blktrace & blkparser
当意外的io 延迟发生，需要深入了解io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io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
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？
网络异常场景
图4 网络异常分析
ethtool
ethtool -S
关注drop error
tc 统计检查
tc -s -d qd
关注包drop情况
ss netstat iftop
常用连接查看
netstat -ntp
netstat -ntpl
ss -ie
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
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 vmlinux
vmlinux 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
总结
本文场景化地总结了云平台几类常见的linux server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。 Havefun:)
关于作者
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.