[[166498]]

作者簡(jiǎn)介

趙舜東，江湖人稱趙班長(zhǎng)，曾負(fù)責(zé)武警某部指揮自動(dòng)化架構(gòu)和運(yùn)維工作，2008年退役后一直從事互聯(lián)網(wǎng)運(yùn)維工作。UnixHot運(yùn)維社區(qū)創(chuàng)始人、《SaltStack入門與實(shí)踐》作者。

引言

“沒有經(jīng)歷過故障的運(yùn)維生涯是不***的”—路人甲

在我們?nèi)粘＿\(yùn)維工作中，會(huì)遭遇各種各樣，甚至亂七八糟的故障。而且有些故障剛開始會(huì)讓你莫名其妙，但結(jié)果卻讓人苦笑不得。

這次分享，我想通過闡述個(gè)人運(yùn)維生涯中的其中兩個(gè)故障作為引子，進(jìn)而聊聊發(fā)生故障之前和之后，我們應(yīng)該怎么辦。

案例1：我只是插了一根網(wǎng)線，全網(wǎng)中斷!?

1.環(huán)境描述

某年某月某日，機(jī)房上架新的服務(wù)器。我們的架構(gòu)是服務(wù)器上聯(lián)兩臺(tái)接入層交換，做端口 Bonding 。

每?jī)蓚€(gè)機(jī)柜都會(huì)有接入層交換機(jī)，所有接入層交換，雙鏈路上聯(lián)到匯聚層交換中。然后匯聚層交換運(yùn)行MSTP+HSRP協(xié)議。

架構(gòu)圖如下：我們的操作是要新增一個(gè)接入層交換，用來擴(kuò)展網(wǎng)絡(luò)規(guī)模。

2.故障現(xiàn)象

當(dāng)時(shí)網(wǎng)絡(luò)工程師(路人甲)正在準(zhǔn)備登錄匯聚層交換配置端口Trunk，其它人員配合機(jī)房工作人員走線。

當(dāng)接入層交換的上聯(lián)網(wǎng)線拉到匯聚層交換機(jī)的機(jī)柜的時(shí)候，作為負(fù)責(zé)人的我(領(lǐng)導(dǎo)不能閑著啊)就問網(wǎng)絡(luò)工程師：插哪里?回復(fù)：兩臺(tái)匯聚層交換的23端口 。

插線誰不會(huì)啊，于是我就先把其中一根接入層交換機(jī)的線，插入了23端口。剛過去不到一分鐘，QQ群就有人反映打不開網(wǎng)站了，緊接著監(jiān)控的系統(tǒng)各種報(bào)警就來了。

3.故障處理

我當(dāng)時(shí)的***反映，趕緊詢問網(wǎng)絡(luò)工程師(路人甲)剛才執(zhí)行了什么操作，回復(fù)剛登錄到交換機(jī)上還沒有操作?？梢耘懦恼`操作。

然后詢問其它配合人員是否在線路上有插拔操作，同樣回復(fù)沒有。

登錄監(jiān)控系統(tǒng)，發(fā)現(xiàn)報(bào)警的是主機(jī)無法連接，也就是網(wǎng)絡(luò)不通，肯定是網(wǎng)絡(luò)方面的原因。

開始思考在故障之前我們都干了什么?我馬上反映過來，我插了一根網(wǎng)線!雖然覺得不可思議，但是根據(jù)故障回滾的原則，我立即把網(wǎng)線拔掉，過了一會(huì)，故障恢復(fù)了。當(dāng)時(shí)的想法就是這個(gè)黑鍋，我背定了，真心冤啊。

4.故障排查

網(wǎng)絡(luò)工程師(路人甲)，登錄匯聚層交換后，發(fā)現(xiàn)該交換機(jī)的23端口之前開啟了portfast特性。

5.故障原因剖析

Portfast快速端口

是一個(gè)Cisco Catalyst交換機(jī)的一個(gè)特性，在STP(Spanning Tree Protocol)中，端口有5個(gè)狀態(tài)：disable、blocking、listening、learning、forwarding，只有forwarding狀態(tài)，端口才能發(fā)送用戶數(shù)據(jù)。

一個(gè)端口接入設(shè)備后，就會(huì)經(jīng)歷blocking->listening->learing->forwarding，每個(gè)狀態(tài)的變化要經(jīng)歷一段時(shí)間。這樣從pc接上網(wǎng)線，到能發(fā)送用戶數(shù)據(jù)，需要進(jìn)行等待的時(shí)間。但如果設(shè)置了portfast，那就不需要等待了。

好的，重點(diǎn)來了！portfast只能用在接入層，也就是說交換機(jī)的端口是接主機(jī)的才能啟用portfast，如果是接交換機(jī)的就一定不能啟用，否則會(huì)造成新的環(huán)路。(不過，Cisco也提供了BPDU guard特性去解決這個(gè)問題，但是我們沒有啟用。)

那么為什么，這個(gè)匯聚層交換的23端口會(huì)開啟這個(gè)特性呢?原因是之前這個(gè)交換機(jī)確實(shí)有服務(wù)器接入，后來架構(gòu)拓展了，才只用來接入二層的接入層交換機(jī)。

小結(jié)

故障經(jīng)常就是來的很突然，而且肯定會(huì)有各種奇葩的原因。甚至有的時(shí)候就是讓你還債，還是那句話“出來混，終究要還的。”

我們繼續(xù)看下一個(gè)故障，之間沒有任何關(guān)聯(lián)性。

案例2：NFS故障，服務(wù)全部宕機(jī)

1.環(huán)境描述

某APP后端API，Nginx+Python的架構(gòu)，本地靜態(tài)文件由Nginx處理，其它請(qǐng)求轉(zhuǎn)發(fā)到后端Python編寫的API上，端口9090，接入層負(fù)載均衡Nginx+Keepalived。簡(jiǎn)單的架構(gòu)圖如下：

2.故障現(xiàn)象

某年某月某日某時(shí)突然某后端API節(jié)點(diǎn)報(bào)警：API http code not 200。(Zabbix監(jiān)控Nginx代理的某個(gè)接口)然后登陸查看所有API服務(wù)，發(fā)現(xiàn)進(jìn)程都在。手動(dòng)測(cè)試每個(gè)節(jié)點(diǎn)的監(jiān)控URL，發(fā)現(xiàn)確實(shí)無法訪問。

3.故障處理

查看API的錯(cuò)誤日志，并未發(fā)現(xiàn)特別異常的報(bào)警，并沒有新版本發(fā)布。

手動(dòng)測(cè)試API監(jiān)聽的端口，訪問正常。直接訪問Nginx代理的8080端口，發(fā)現(xiàn)不正常，懷疑Nginx和API之間的通信存在問題。

這時(shí)有一個(gè)特殊情況就是api-nod1節(jié)點(diǎn)的訪問是正常的。

查看其它節(jié)點(diǎn)Nignx錯(cuò)誤日志，發(fā)現(xiàn)有大量的URL 請(qǐng)求失敗，該URL對(duì)應(yīng)某個(gè)用戶。例如/user/ID/xxx

通過對(duì)比發(fā)現(xiàn)api-node1和其它節(jié)點(diǎn)的唯一不同是api-node1節(jié)點(diǎn)運(yùn)行了NFS，其它節(jié)點(diǎn)之前是掛載該節(jié)點(diǎn)的NFS。

4.故障排查

后端API會(huì)生成二維碼在各個(gè)服務(wù)器上，由于數(shù)據(jù)量不大，所以在api-node1節(jié)點(diǎn)啟動(dòng)了NFS，其它所有節(jié)點(diǎn)生成的二維碼全部寫入到這個(gè)NFS共享上。查看發(fā)現(xiàn)該節(jié)點(diǎn)的NFS異常終止。手動(dòng)啟動(dòng)NFS和重啟所有API節(jié)點(diǎn)后，服務(wù)恢復(fù)正常。

5.故障原因剖析

通過仔細(xì)查看報(bào)警才發(fā)現(xiàn)，之前api-node1這臺(tái)虛擬機(jī)因?yàn)閮?nèi)存跑滿自動(dòng)重啟了，但是NFS并沒有開機(jī)啟動(dòng)(這個(gè)是另外一個(gè)問題，暫不討論)，因?yàn)楫?dāng)時(shí)報(bào)警太多就沒有仔細(xì)看每個(gè)報(bào)警。

那么為什么NFS故障會(huì)導(dǎo)致api不能訪問呢，應(yīng)該是某個(gè)接口功能不能使用才對(duì)?

經(jīng)過分析，這個(gè)功能是用戶用來生成二維碼的接口，如果用戶發(fā)現(xiàn)生成失敗會(huì)不停的重試，那么這些重試的api就會(huì)到nginx上，當(dāng)然肯定都會(huì)失敗，因?yàn)镹FS無法讀寫。

但是我們知道Nginx做后端健康檢查默認(rèn)是無法指定URL的，突然這么多重試的API請(qǐng)求到達(dá)Nginx都失敗了，那么Nginx根據(jù)健康檢查策略就會(huì)認(rèn)為后端服務(wù)器宕機(jī)。然后就沒有然后了。。。

不過這個(gè)故障確實(shí)是多種因素疊加的一個(gè)效果。

好的，由于篇幅問題，就拿這兩個(gè)故障，來進(jìn)行分析，看看我們能學(xué)到什么東西。

反思：故障發(fā)生前我們能做什么?

1.操作的規(guī)范性

***個(gè)故障的背景，其實(shí)我們已經(jīng)制定好了機(jī)房上架的操作流程，每個(gè)人都知道自己應(yīng)該干什么，但是并沒有按之前的操作計(jì)劃執(zhí)行。

這是發(fā)生這個(gè)故障的根本原因，因?yàn)槿绻戳鞒?，網(wǎng)絡(luò)工程師肯定會(huì)發(fā)現(xiàn)這個(gè)端口的設(shè)置并修改。

還有就是非實(shí)際操作人員不能盲目介入，這也是操作規(guī)范性的一個(gè)例子，雖然我只是想幫個(gè)忙而已，但是幫了倒忙。

2.建立完善的監(jiān)控體系

監(jiān)控體系的重要性不言而喻，不準(zhǔn)備多說。但正如第二個(gè)故障案例，我們有監(jiān)控，但是遇到的問題是當(dāng)報(bào)警很多的時(shí)候，并沒有仔細(xì)的查看所有監(jiān)控，而是把a(bǔ)pi無法連接當(dāng)作重點(diǎn)，而忽略了其它報(bào)警。

所以說，仔細(xì)的看報(bào)警，以及給故障進(jìn)行準(zhǔn)確的分級(jí)非常重要。

3.故障處理流程

在發(fā)生故障前要盡可能的建立完善的故障處理流程，先干什么，后干什么，故障的分級(jí)、故障的職能性升級(jí)都要有確切的流程和文檔。保證故障的處理人能夠合理的將故障解決，不能解決的及時(shí)進(jìn)行故障升級(jí)。

反思：發(fā)生故障后，我們能做什么?

1.恢復(fù)是故障管理的***要?jiǎng)?wù)

ITIL的服務(wù)運(yùn)營有一個(gè)故障管理的流程，故障管理的目標(biāo)是盡可能快地恢復(fù)到正常的服務(wù)運(yùn)營，將故障對(duì)業(yè)務(wù)運(yùn)營的負(fù)面影響減小到***。

那么故障管理的大忌，就是試圖快速定位故障原因而忽略了故障處理流程。下面有個(gè)小段子，可以幫助你理解：

某電商系統(tǒng)，一次用戶系統(tǒng)升級(jí)，導(dǎo)致串號(hào)，也就是用戶A登錄后，看到的是用戶B的帳號(hào)信息。

領(lǐng)導(dǎo)問：怎么辦?

開發(fā)人員：老板，給我10分鐘，馬上修復(fù)這個(gè)bug。

然后開發(fā)人員實(shí)際使用了8分鐘修代碼并上線。結(jié)果故障依舊!

開發(fā)主管：你這水平不行啊，我來，我只需要5分鐘。

然后開發(fā)主管用了4分鐘修代碼并上線。結(jié)果故障依舊!!

開發(fā)經(jīng)理：你們都閃開，我只需要1分鐘。然后開發(fā)經(jīng)理真的1分鐘修改代碼并上線。結(jié)果故障依舊!!!(好吧，到這里連小編都已經(jīng)看不下去了)

老板：誰能快速的恢復(fù)這個(gè)故障，我們已經(jīng)故障整整13分鐘了!

這個(gè)時(shí)候運(yùn)維甲奮力的擠進(jìn)人群：我們有秒級(jí)回滾腳本，所有節(jié)點(diǎn)回滾上一個(gè)版本并啟動(dòng)不到1分鐘。

結(jié)果，1分鐘后，故障恢復(fù)了。

篇幅問題，這個(gè)故障就到這里。我想無論你是老板、經(jīng)理、開發(fā)、測(cè)試、運(yùn)維都應(yīng)該已經(jīng)明白了，不做過多的解釋了。

2.故障復(fù)盤

每一次發(fā)生故障后，運(yùn)維負(fù)責(zé)人都需要牽頭進(jìn)行故障的復(fù)盤。開發(fā)、測(cè)試、運(yùn)維要一起審查這次故障，搞明白是哪里出了問題，我們應(yīng)該怎么避免這類故障的再次發(fā)生。

俗話說：故障是我們***的老師。不過這個(gè)老師大家都不會(huì)喜歡。當(dāng)然還需要我們?cè)敿?xì)做好故障的記錄。

3.問題管理

故障復(fù)盤的目的和問題管理是相同的。ITIL的服務(wù)運(yùn)營中，問題管理流程的目標(biāo)是預(yù)防問題的產(chǎn)生及由此引發(fā)的故障，消除重復(fù)出現(xiàn)的故障，并對(duì)不能預(yù)防的故障盡量降低其對(duì)業(yè)務(wù)的影響。

所以，我們可以在故障復(fù)盤的時(shí)候，要把這個(gè)故障轉(zhuǎn)化為問題管理，全面分析故障的原因，務(wù)必徹底解決，而且每項(xiàng)工作一定要落實(shí)到具體的負(fù)責(zé)人。