做一个不背锅的运维 经验总结

系统出了故障，第一个挨板子的就是运维人员。不管任何原因，先找运维，给他一口好锅。运维好苦啊！稳定运行时，似乎是多余的存在；有问题时，要替人背锅。与其被动，不如主动一点，不做背锅侠！

怎么做呢？先看几个例子，亲身经历。

砸锅例一

一支付系统，前端负载均衡，中间tomcat应用，后端memcached加oracle 11G rac两节点集群。遇上好的时机，公司的业务增长很快，但人手有限，跟不上业务的发展，只好尽可能的先上线，发现问题再修正。

某天，在西四环帮人排查宾馆wifi故障，楼里手机信号极差。还没查出什么原因，技术就打电话来质问：“你配的oracle最大连接数，真有3000个么？怎么到300就卡死了？”。赶紧跑到室外，坐在地上用手机打开wifi热点，用笔记本连数据库，load确实很高。还没查出什么原因，那边老板也来电话催促，说业务无法交易。我想，反正无法交易，不如把tomcat停一下，看数据库负载是不是会降下来。在征得同意以后，关掉killall -9 java 关闭tomcat，片刻orace负载下降明显；再启动时，负载狂飙，最高可到600多。

对oracle的一些配置进行了检查，性能未能得到任何改善。于是跟开发人员进行沟通，问他们近期是否做了项目更新？答复是肯定的，但无法确定是哪里的问题引起性能上的问题。我建议在应用服务器上安装某性能监控探针，获得许可，很快就部署完毕。等待10来分钟，数据就出来了。

说明：本图不是事发时截取的，仅仅是为了方便读者了解。

一帮人紧急召集到一块，从性能探针的管理页面找出最耗资源的sql语句进行代码还原（程序员来查这个代码是什么功能）。一番动作之后，告知是后台管理操作--运营人员及代理商查询当日交易数据，由于产品设计上的缺陷，只要数十人同时进行此项操作，数据库就会直接挂起。

这个后台设计上的缺陷主要有一下几点：

1、管理后台登陆时，会查询所有代理商的数据，代理商会查询下级代理商的数据。而不管是哪一级的登陆，都会顺带查询其下最终用户的数据。如此叠加，产生巨大的数据查询量。

2、数据的统计，不是字段值做数学运算，而是以 select count() 的方式进行。这比单独做一个表，把字段值做数学运算要耗资源。

3、不管有无需要，都抓取最终用户的交易详情。总用户数有300多万，运营人员一打开统计，就会去查询这些记录；代理商也是这样，只不过记录数会少一些，但多人操作，就会重复查询，给数据库造成巨大的压力。

负责技术的老总坦承，其实大部分管理，最关心的是总额，很少去挨个查看详情。如果需要查看，再按一定条件去执行这个操作。

弄清了问题，程序员马上去落实，更新代码以后，问题得以彻底的解决。

砸锅例二

夏初的时候，上线了一个区块链媒体项目。预估到流量会比较可观，不仅采购的云主机配置高，而且还是多台，并且购买了负载均衡服务。

可万万没想到，项目一上线，还没做任何宣传，集群中所有服务器的负载都飚得老高，load接近1000，还好没死机，还能远程ssh登陆。

这步，一有问题，一口锅就飞来了，非说是系统配置上的问题。好吧，先把锅背上，忍辱负重检查各种配置。

1、查php配置php-fpm.conf，各种参数都改一下。

2、查数据库状态，mysql > show full processlist；好多连接呢，不懂业务，不知道这些sql是啥用途，不管了，先保留下来吧。

3、查web访问日志，滚得飞快，似乎有马达在拉着转。看来问题在这里了，心里想，这么频繁的请求，会不会是受到了×××？从日志与网络层面分析，又不像是这种情况。

问题得不到有效的缓解，只好跟相关人员进行沟通，要了app的下载地址，然后在手机上进行安装。安装好以后，打开app，底部三个菜单项“快讯、行情、我的”。“快讯”菜单有四个栏目。

我试着拿手指往上滑，信息一直能显示出来，而且看不到那种正在加载的转圈存在。结合web访问日志，我大致可以判断，应该是一次性把所有的信息都从数据库里进行抓取，不管这样是否合理（一般只看前1-2屏）；另外，也可推断其它菜单或者栏目的内容，也很可能是一下子全抓取出来，管它需不要要展示。

有了这个发现，立即联系开发人员，询问是不是数据抓取一抓到底，而且是一秒钟抓好多次（好多个板块一起抓）?答复：“确实如此，因为急着上线，没做太多考虑”。这中间，我也曾对nginx的并发数做限制，每秒限制5次；负载是降低了不少，但app却基本不能访问。结合访问日志及这次限制，可以肯定同一个app同一秒钟要抓二十几次，逻辑上肯定不合理。

终于可以把这口锅扔给开发，让他们改进，问题得以最终解决。

砸锅例三

昨天夜里，天气凉爽，想着能睡个好觉。10点左右，有哥们呼叫，说某个项目又罢工了。这个项目是一个在线租赁服务，由nginx + tomcat 构成，运行了两个tomcat实例。一直以来，经常出现502故障，公司花了钱做推广，老出问题影响不好。登上系统，做了如下处理：

1、修改tomcat内存限定；

2、修改tomcat启动账号为www（以前是root启动）；

3、设置crontab计划任务，让tomcat每天凌晨4点重启一次；

4、监控网站url。

做了这些处理以后，稳定了好一阵。听到项目又罢工，心里一惊。赶紧登上去，手工重启tomcat，进程是存在了，但系统日志catalina.out却抛出异常，用浏览器访问，仍然是502错误。

执行w指令，发现还有别的人登陆到系统，就在微信群问是不是有人干活。有人回答：“正在发新版”。你发版提前打个招呼啊！出问题了，不吱声，让我在那里白费劲。

怀疑新发的包有问题，重复传了几次，问题依然存在。于是开发扔一句话：“可能tomcat坏了”！这判断有点武断，tomcat没人乱动，一般不会坏的。

我耐着性子，进入到项目的目录 webapps,下边有三个目录，程序员说它上传的文件在ROOT下：

既然如此，我试着把除ROOT外的两个目录移走，万一有问题，再恢复回来。重启tomcat，恢复正常，tomcat日志也不抛出异常。

我仔细检查目录ROOT及 yzuqin-m目录里边的配置，特别是应用连接数据库的字串。两个项目连接的数据库各不相同，询问程序员哪个是正确的。得到答案之后，再分析日志，可知每次启动，关联的项目却不是ROOT目录下的。

经验总结

干运维不仅要对系统、应用有较好的把控，而且还需要了解业务。曾经很长一段时间，自己也是不喜欢关注业务，连服务器上运行的是什么都不知道（最多知道是网站而已，具体是什么性质的，一概不关心）。如果花时间了解一下业务逻辑，再结合系统，几个方面进行排查，处理故障的效率要高很多，而且很多情况下，把那口不属于自己的锅给砸碎，变成咱们去帮助其它技术人员解决问题，且不快哉！