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么)角色的常見的基礎知識。

[[276333]]

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，這也可以應用于任何與系統管理員相關的故障排除。我并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、并在最后一個方框中導向“利潤”一詞的“流程圖”。

我會通過一些例子展示常規的方法。

示例場景僅用于說明本文目的。它們有時會做一些不適用于所有情況的假設，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，我一直在從事于支持工作，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，并會讓你在黑暗中盲目亂撞，胡亂鼓搗。

你的 InnoDB 的緩沖池也許達到 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

在這里，我應該說明一下，雖然這些建議同樣適用于許多角色，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、規范管理的或“企業級”客戶合作時，你通常會對一切都進行檢測、測量、繪制、整理(甚至不是文字)，并發出警報。那么你的方法也往往會有所不同。讓我們在這里先忽略這種情況。

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么問題。“慢”可以是多種形式的。是收到第一個字節的時間嗎?從糟糕的 Javascript 加載和每頁加載要拉取 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，這相當于系統管理員帶著一把刀去參加槍戰。

唾手可得

首次登錄可疑服務器時，你可以查找一些常見的嫌疑對象。事實上，你應該這樣做!每當我登錄到服務器時，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)，磁盤是否繁忙(top / iostat / iotop)，是否有丟包(netstat / proc/net/dev)，是否處于連接數過多的狀態(netstat)，有什么東西占用了 CPU(top)，誰在這個服務器上(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，那么繼續進行是沒有意義的。

這用不了半分鐘。如果什么都沒有引起你的注意 —— 那么繼續。

重現問題

如果某處確實存在問題，并且找不到唾手可得的信息。

那么采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采取哪些確切步驟來重現問題。

對于由太陽耀斑或只能運行在 OS/2 上的客戶端引起的問題，重現并不總是可行的。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”。對于那些人，他們可能還在用他們的 GPRS 手機，也可能正在安裝 Windows 更新。你在這里挖掘得再深也是浪費時間。

嘗試重現!

檢查日志

我對于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/... 之后幾分鐘就不看了。大多數 *NIX 工具都特別喜歡記錄日志。任何明顯的錯誤都會在大多數應用程序日志中顯得非常突出。檢查一下。

縮小范圍

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。現在你已經把范圍縮小到：瀏覽器的渲染/錯誤、應用程序代碼、DNS 基礎設施、路由器、防火墻、網卡(所有的)、以太網電纜、負載均衡器、數據庫、緩存層、會話存儲、Web 服務器軟件、應用程序服務器、內存、CPU、RAID 卡、磁盤等等。

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

如果問題是接收到第一個字節的時間，你當然會開始對 Web 服務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，你要試圖消除盡可能多的潛在問題來源。

你可以非常輕松地消除絕大多數可能的罪魁禍首：你能從服務器本地重現問題嗎?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，請嘗試使用同一網絡上的其他計算機。如果可以的話，至少你可以將防火墻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?雖然服務器是 Web 服務器，但并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絡問題，可以忽略掉整個 Web 軟件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。讓我們排除一些變量。你能用普通文件重現它嗎?如果 i_am_a_1kb_file.html 很慢，你就知道它不是數據庫、緩存層或 OS 以外的任何東西和 Web 服務器本身的問題。

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，你已經大大縮小了范圍，你可以專注于少數事情。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?或者只是從第三方加載“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”是什么?

我們的示例是一個緩慢的網站，但這同樣適用于幾乎所有問題。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，遠遠快于實施大多數“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么：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，那么就該開始隔離和觀察了。

請記住，許多服務可以在前臺運行和/或啟用調試。對于某些類別的問題，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端口 3306 的套接字文件描述符上的特定 read()調用上。你會知道該怎么做。

轉到 MySQL 并再次從頂部開始。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。你會知道該怎么做。

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。你會知道該怎么做。

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么的系統調用。98% 的故障排除會話以 strace 而終結。