我们团队为上一家公司承担运维、优化和扩展工作的时候，我们碰到了各种不同规模的性能很差的系统和基础设备(大型系统居多，比如 CNN 或者世界银行的系统)。要是再赶上修复时间紧、奇葩的技术平台、缺少信息和文档，基本上这过程都会惨痛到让我们留下深刻的记忆。
遇到服务器故障，问题出现的原因很少可以一下就想到。我们基本上都会从以下步骤入手：
一、尽可能搞清楚问题的前因后果
不要一下子就扎到服务器前面，你需要先搞明白对这台服务器有多少已知的情况，还有故障的具体情况。不然你很可能就是在无的放矢。
必须搞清楚的问题有：
故障的表现是什么？无响应？报错？
故障是什么时候发现的？
故障是否可重现？
有没有出现的规律(比如每小时出现一次)
最后一次对整个平台进行更新的内容是什么(代码、服务器等)？
故障影响的特定用户群是什么样的(已登录的， 退出的， 某个地域的…)？
基础架构(物理的、逻辑的)的文档是否能找到？
是否有监控平台可用？ (比如 Munin、Zabbix、 Nagios、 New Relic… 什么都可以)
是否有日志可以查看？. (比如 Loggly、Airbrake、 Graylog…)
最后两个是最方便的信息来源，不过别抱太大希望，基本上它们都不会有。只能再继续摸索了。
二、有谁在？
|
1
|
$w$last
|
用这两个命令看看都有谁在线，有哪些用户访问过。这不是什么关键步骤，不过最好别在其他用户正干活的时候来调试系统。有道是一山不容二虎嘛。(ne cook in the kitchen is enough.)
三、之前发生了什么？
|
1
|
$history
|
查看一下之前服务器上执行过的命令。看一下总是没错的，加上前面看的谁登录过的信息，应该有点用。另外作为 admin 要注意，不要利用自己的权限去侵犯别人的隐私哦。
到这里先提醒一下，等会你可能会需要更新 HISTTIMEFORMAT 环境变量来显示这些命令被执行的时间。对要不然光看到一堆不知道啥时候执行的命令，同样会令人抓狂的。
四、现在在运行的进程是啥？
|
1
2
|
$pstree-a
$ps aux
|
这都是查看现有进程的。 ps aux 的结果比较杂乱， pstree -a 的结果比较简单明了，可以看到正在运行的进程及相关用户。
五、监听的网络服务
|
1
2
3
|
$netstat-ntlp
$netstat-nulp
$netstat-nxlp
|
我一般都分开运行这三个命令，不想一下子看到列出一大堆所有的服务。netstat -nalp 倒也可以。不过我绝不会用 numeric 选项 (鄙人一点浅薄的看法：IP 地址看起来更方便)。
找到所有正在运行的服务，检查它们是否应该运行。查看各个监听端口。在 netstat 显示的服务列表中的 PID 和 ps aux 进程列表中的是一样的。
如果服务器上有好几个 JAVA 或者 Erlang 什么的进程在同时运行，能够按 PID 分别找到每个进程就很重要了。
通常我们建议每台服务器上运行的服务少一点，必要时可以增加服务器。如果你看到一台服务器上有三四十个监听端口开着，那还是做个记录，回头有空的时候清理一下，重新组织一下服务器。
六、CPU 和内存
|
1
2
3
4
|
$free-m
$uptime
$top
$htop
|
注意以下问题：
还有空余的内存吗？ 服务器是否正在内存和硬盘之间进行 swap？
还有剩余的 CPU 吗？ 服务器是几核的？ 是否有某些 CPU 核负载过多了？
服务器最大的负载来自什么地方？ 平均负载是多少？
七、硬件
|
1
2
|
$lspci$dmidecode
$ethtool
|
有很多服务器还是裸机状态，可以看一下：
找到 RAID 卡 (是否带 BBU 备用电池？)、 CPU、空余的内存插槽。根据这些情况可以大致了解硬件问题的来源和性能改进的办法。
网卡是否设置好？ 是否正运行在半双工状态？ 速度是 10MBps？ 有没有 TX/RX 报错？
(责任编辑：安博涛)
