服务不可用排查思路

前言

上周四，服务器突然挂了。ssh都连接不上，日常的小程序后台直接down掉，小程序每日大概3k左右访问量。于是乎就开启了，排查之后。

排查阶段

什么先别说，先把服务恢复再说。重启阿里云服务器，ssh连接。开启nginx，redis，mysql，java服务。一系列操作，先把服务先启动了。

服务器安装了cloudmonitor(云监控)，非常建议安装，对排查问题，查看cpu，内存非常的有帮助。

查看cpu，内存如下：

 

 

 

 

 

 

 

我们先从最后一幅图看起，可以明显的看到9.30左右的时候，网络的流入流出速率立马飙升了。因此初步可以断定，cpu，内存飙升，可能跟网络有关。

9.30分左右的时候，服务器大概运行了以下几个跟网络有关的应用：

• mysql
• redis
• ngxin
• java服务（osc，sign等等）
• docker

很明显前三个是日常的应用，基本上不会有什么问题，首先排除。剩下的就是java相关的服务和docker了。

第一个想法是不是java的访问量突然增大，然后服务器资源不够，然后把服务给打死了。然后去看了java服务的相关日志，发觉9.30分并无异常，跟平常的访问流量无多大变化。故排除。

那么就是docker服务了。

docker我每天会有一个定时任务，用来刷题的。基本上每天九点多就会start，然后11点stop掉。遂查看docker日志：

 

 

可以明显的看到9.23分的时候。docker开启，开始刷题。可以断定就是docker的锅了。此时把docker kill掉，定时任务关掉，至此没在出现过问题了。

 

问题在现

为确定是否是docker的问题，于是过了几天，我又开启了docker的定时任务。查看服务器资源如下：

 

问题重新复现出来了，很明显，这就是docker的锅。至于为什么开启docker的这个服务，内存就飙升，cpu飙升，导致服务器直接down掉。这个原因就要问这个image的作者了。

个人初步猜想，内存泄露了。

我们可以仔细观察下内存的图片。约9.30的时候docker服务启动，内存上升至70%左右，这都是非常的合理的。

在大概10点左右的时候，任务跑完了(通过查看日志）。但服务并没有stop。

从10点开始，内存一路飙升，飙升至95%，最终我kill掉了docker，内存回归正常。

这是很明显的内存泄露，因为此镜像为私人镜像，并且不开源，具体代码无从查起，也是没有办法的了。

不过已向改仓库提了issue。

 

总结

从这次服务器挂掉，有以下几点感想。

• 日志很重要，无论是什么服务，一定要记得把日志排在首位
• 服务器一定要有监控，并且要有监控预警，超过多少，发短信，电话通知。
• 问题思路排查要有理有据，一步一步来，不能瞎子抓阄似的。
• 服务挂掉，首先要恢复服务，比如重启等操作

 这次服务器宕机并没有任何影响，毕竟没啥用户，不过感觉对问题的排查更加深刻了。业务推动技术，这点是毋庸置疑的了。

而且业务上线后，慢慢也会出现很多问题，一个一个解决，也能学习到很多东西。