江苏龙网

  1. 主页 > 生活百科 > >

阿里云ECS的CPU100%排查

ECS

作者：一夕如环 来源：https://www.cnblogs.com/hodge01/p/8658538.html一、背景和现象
初创公司，架构lanmp，web前端和后端分开服务器，业务驱动主要是Nginx和Apache，nginx主要是处理静态文件和反向代理，前后端、搜索引擎、缓存、队列等附加的服务都是用Docker容器部署 。因为比较初级，上传文件和采集文件都是直接写在硬盘上，涉及到的目录共享，就在其中一台服务器存储并且nfs共享 。我们暂且分为ECS1（apache1）、ECS2（apache2）、ECS3（nginx） 。某天网站业务中断，但是没有报错 。一直在等待响应，默认响应超时是一分钟，所以很基础高可用没有起到作用 。中断10分钟左右，重启服务，提示“open too many files”，但是lsof统计没几个 。因为初级处理不了，所以直接重启服务器，一段时间后一切恢复正常，可是第二天又来一次这种情况 。
二、第一次出现后的排查思路
本来第一次发现这种问题的时候就要追查原因了，看了一下zabbix监控图像其中断了十分钟，包括网络、内存、CPU、硬盘、IO等监控数据 。首先想到的是网络问题，结论是zabbix-servert获取不到了zabbix-agent采集的数据，估计就是网络不通了 。

阿里云ECS的CPU100%排查

文章插图
 
但是，这个结论站不住脚，因为我本身通过ssh登录服务器，并且命令输入无卡顿，不至于头文件都传不过来 。后来一看阿里云的云监控，上面有数据，似乎也可以佐证网络这个说法，因为云监控是阿里云内部的监控，可以内网获取到监控数据 。直到看CPU的使用率这项，发现有一段时间的CPU使用率100% 。并且我重启的时候CPU恢复正常，不能说网络一定没问题，但系统肯定有问题 。也可以解释因为CPU使用已经是100%，zabbix-agent和根本不能正常运行，所以没有监控数据 。因为这个公司全部都是云服务器，没有使用IDC所以我们也没有安装smokeping来监控，接着我们就不把重心在网络上了 。
目前掌握的信息就是:在毫无征兆的情况下，CPU暴涨到100%，重启之前一直保留，重启之后恢复原样 。匆忙之中又看了一下系统各日志，因为太匆忙，没有总结，没有找到什么有价值的东西 。现在有下面几种猜想：第一，程序的bug或者部署不当，触发之后耗尽资源 。第二、docker容器的bug 。第三、网络攻击 。第四、病毒入侵 。第五、阿里云方系统不稳定 。
小总结了一下，现在问题还没有找出来 。下次还有这个问题的可能，所以先尽量防范，但是又不能重启一刀切 。所以在zabbix上面设置了自动化，当检测到ECS1获取不到数据的时候马上操作ECS3标记后端为ECS1的apache为down 。保留异常现场 。（请求停止的时候，CPU100%还在）
三、现场排查
1、相应的排查计划（想到这些信息需要获取的，实际上没有严格按照这样的步骤）
1）用htop和top命令监控CPU、内存使用大的进程 。先看看哪个进程消耗资源较多,用户态、内核态、内存、IO……同时sar -b查io的历史定时抽样 。
2）统计tcp连接数，看看有没有DDoS攻击 。netstat -anp |grep tcp |wc -l。用iftop-i eth1看看通讯 。同时用tail -n 1200 /var/log/messages查看内核日志 。
3）用pstree查看打开进程，ps aux|wc-l看看有没有特别多的进程 。虽然zabbix监控上说没有，但是我们要检查一下看看有没有异常的进程名字 。
4）查看全部容器的资源使用docker stats $(docker ps -a -q)，看看能不能从容器上排查 。
5）有了“too many open files”的启发，计算打开文件数目lsof|wc -l，根据进程看看ll /proc/PID/fd文件描述符有没有可疑的打开文件、文件描述符 。
6）关于用lsof打开文件数找到的线索，排序打开文件找出进程号 lsof -n|awk '{print $2}'|sort|uniq -c|sort -nr|more
7）关于用lsof打开文件数找到的线索，用lsof -p PID查看进程打开的句柄 。直接查看打开的文件 。
8）启动容器的时候又总是“open too many files" 。那就是打开文件数的问题，因为CPU的使用率是CPU的使用时间和空闲时间比，有可能因为打开文件数阻塞而导致CPU都在等待 。针对连接数的问题，大不了最后一步试试echo 6553500 > /proc/sys/fs/file-max 测试打开文件对CPU的影响 。
9）玩意测出来了消耗CPU的进程，可以使用strace最终程序 。用户态的函数调用跟踪用「ltrace」，所以这里我们应该用「strace」-p PID
10）从程序里面看到调用系统底层的函数可以跟踪 。跟踪操作 strace -T -e * -p PID，主要看看代码调用的函数有没有问题 。


推荐阅读


上一篇：送领导的喜糖是不是得特别一点 发喜糖给领导说什么话好

下一篇：瓷砖容易破什么原因造成 贴了的瓷砖破了是什么原因