Que passos devo seguir para determinar a causa raiz da falha do servidor linux?

Question

Eu sinto muito se essa pergunta já foi respondida antes, estou assumindo que sim, mas depois de meia hora de pesquisa não consegui encontrar nada.

Enfim, para a pergunta:

Eu sou um cara do windows e um programador autodidata, então sou muito novo no linux, mas estou gostando mais do que o Windows. Temos uma pequena instalação do Wordpress que falha aparentemente aleatoriamente. Quando faço isso, não consigo SSH e minha única opção real é fazer uma reinicialização rígida do administrador do Rackspace Cloud. Sempre consertou o problema.

Eu quero saber o que devo fazer para determinar o que realmente causou o problema. Este é um exemplo trivial, mas estamos planejando colocar mais aplicações no linux no próximo ano e eu quero chegar ao ponto em que estou confortável lidando com problemas de uma maneira mais científica do que "desconecte-o e conecte-o novamente". "

Onde devo começar? Estou aberto a livros, postagens em blogs, perguntas sobre falhas em servidores, vídeos, seminários, aulas de faculdade, qualquer coisa.

Obrigado!

    

Answer 1

Esta é uma receita geral, não funciona apenas no linux:

Identificando problemas, em ordem:

1. problemas de login remotos:
   1. problemas de rede
   2. problemas do daemon de login remoto (às vezes pode levar alguns minutos para fazer login com o ssh)
2. problemas de carregamento ( uptime;df -h;free -m )
3. leia os registros (eles estão em /var/log/ . Os registros do sistema são /var/log/messages , /var/log/syslog . No seu caso, você pode estar interessado em /var/log/apache )

Se você reinicializou seu servidor com cuidado, tome cuidado para anotar a hora em que o fez. Então você pode verificar os logs pouco antes disso.

    

Answer 2

comece com a coleta de estatísticas para ver se há alguma correlação entre interrupções e atividade do sistema. você pode usar por exemplo:

• sar - para estatísticas baseadas em texto puro
• munin - para obter gráficos de tempo simples
• cactos - como munin + muito mais, pode ser demais no seu caso

sem tais estatísticas você é muito cego, eles também são úteis quando você quer fazer algum planejamento de capacidade ou apenas quer ver se existem padrões / anomalias perceptíveis no comportamento do seu sistema.

comece com o monitoramento [você terá a maior parte da caixa com Munin]:

• média de carregamento
• cpu usage / io espera
• troca de atividade
• número de solicitações http veiculadas
• tráfego de rede
• espaço livre em disco em cada partição
• ping resposta ao gateway padrão / algum ponto de referência na internet
• número de [minhas] consultas SQL

minha melhor aposta é que a sua máquina está trocando a morte / ficando presa com o acesso ao disco lento, mas eu posso estar muito errado.

coisas como travamentos completos do sistema provavelmente não deixaram muitos rastros em seus logs, mas em outras situações - é sempre bom verificar o conteúdo do syslog ou logs de aplicativos específicos - talvez você tenha ficado sem espaço em algum lugar? talvez alguma coisa segfaulted?