客服
热线

7*24小时客服服务热线 郑州:0371-68064820
洛阳:0379-64791869

关注
微信

关注微信公众号

服务器“异常”的6个可能性预警

分类 服务器帮助 阅读4179 次 发布日期 2018-11-22

紫田小编知道用户都听说过服务器宕机这个问题,但是一说到服务器宕机检测,可能会让大家想到,服务器宕机了肯定能很快知道的,这个问题还有什么可做的呢?但是实际上,现在大部分的服务器宕机的时候,是不能被用户及时感知的。今天这篇文章紫田小编就来就来简单介绍一下服务器“异常”的6个可能性预警。


宕机,指操作系统无法从一个严重系统错误中恢复过来,或系统硬件层面出问题,以致系统长时间无响应,而不得不重新启动计算机的现象。它属于电脑运作的一种正常现象,任何电脑都会出现这种情况。

服务器宕机,ping或者ssh这是最简单的做法,但真正的工程实践,没这么简单。

如果想要获知服务器宕机怎么办?用户可以通过服务器宕机实时检测:

1)发现宕机。

2)提前告警。

3)告知宕机的详细原因,如硬件故障,内核bug,网络异常等等。

4)自动报修生成工单。

我们用户要知道,进行全网物理机宕机准确探测与实时发现,可以给宕机分析提供第一现场,获取第一现场的日志。也可以尽早将宕机数据推送给业务或运营感知并处理,如自动报修,业务迁移等,从而尽可能将业务影响降到最低。

更重要的是,准确的服器宕机发现数据可以为宕机预测提供准确的标注数据,为后期宕机预测提供数据基础,并且这些数据提供给运营部门进行整体分析,提升处理效率。

那么,用户怎样可以准确发现服务器宕机呢?减少误报呢?可以有以下操作,比如:

1、异常排除

排除非物理机器,将系统中暂时不关注的VM等产生的异常信息排除掉。

排除非业务状态的机器,如装机状态中的,包括生产中,维修中,迁移中,重装中,销毁中,重启中,无管控状态,只监控正常状态的机器。

排除非正在工作的机器,如非working状态机器。

2、网络干扰排除

宕机分析中,较多误报是由于网络问题干扰,无法准确判断出物理机是否宕机,有可能是网络问题。

排除上网络设备异常导致的误报,包括机房断网演练,小面积网络故障,上联网络故障,如通过探测丢包情况,使用一些逻辑初步判断网络问题。

服务器本身未丢包的误报,除了需要过滤出网络问题,还要通过丢包数据分析,过滤掉SA误报问题, SA异常会上报心跳异常,被误理解为宕机。

icmp及tcp丢包分析,icmp采集频率为固定数秒,tcp采集频率固定数秒,包括多个不同大小包(16,32,64,128,256等)的丢包情况,根据分析时间窗内两项数据的丢包情况

3、特殊情况干扰排除

个别机房有时候会出现大面积风暴式的无故心跳异常,同时网络ping包异常,但上联网络设备ping包正常,这种误报,一般根据具体case具体进行针对性的分析。如根据监控每个机房的上报频率,排除干扰。

4、进一步识别误报

至此,大部分干扰已经过滤掉,但仍有一部分误报隐藏其中。比如心跳异常,ping异常,都合乎宕机判断的逻辑,会导致误判成宕机,如导致网卡被打爆,或者重试率高,这种是业务原因导致网络异常,但业务认为不是异常,需要排除掉。再例如服务器并没有挂掉,但是IO延时和资源占用率各项指标都不正常等场景。针对以上等情况,增加uptime判断以及带外日志分析排查。

宕机时间点探测uptime确定是否发生重启。

进一步通过分析日志是否连续,判断是否发生重启。

日志重启特征值匹配,确认是否发生重启。

如果还不能确定,使用uptime的时间窗技术进行重启。

仍不能确定的待处理,进入长尾处理名单。

5、长尾再次处理

未确认的待处理的,会加入到长尾列表中,像这种分钟级的心跳异常,ping异常,但串口日志一直正常输出的情况,一般就是某种死机,死到连网络都不通的场景。会观察一段时间,一个固定时间窗内仍未恢复或重启的话,就暂时报宕机。后期会把这种死机单独找划分归类。

6、心跳源检测异常

顾名思义,通过心跳源,初步发现异常。通常心跳变化会有三类消息,update消息,delete消息和insert消息。心跳逻辑在于,正常情况下SA服务端与NC建立长连接,每数秒缓存一次心跳,每几分钟打包上报一次,但当NC异常时,长连接感知后,立即上报异常,并修改路由表。所以心跳异常做到秒级感知。

update消息,在有心跳发生变化情况下都会有,心跳异常和心跳恢复正常时都会发起,是主要的心跳来源。

delete消息,在心跳异常,并且SA判断ping不通,且ssh不通情况下发起,删除该条消息,避免延迟太长。

insert消息,在新增加机器, 或者重装后重新上位的机器发起,该消息对宕机发现价值不大,配合uptime使用。

心跳源检测任务逻辑,主要是监听并缓存uptime消息,同时避免时间窗内多次消息冲突,导致信息被覆盖。

上面已经介绍这么多了,到底效果会怎么样呢?

从准确率和覆盖率来看:

准确率:目前发现的服务器宕机中有很高准确度,可以区分出真正宕机或者未宕机。而判断为宕机的数据中,也存在少量的,由于缺少相关信息导致误报,该部分将进一步优化,逐渐降低误报,在新的措施之后,该比例会接近0。

覆盖率:当前统计的覆盖率已经能很好的支撑日常服务器宕机处理,该数据在有足够的特征后,会进一步提升。

目前,服务器宕机感知是宕机分析的基础,通过服务器宕机实时检测,会把相应的宕机原因分布整理出来,明确具体的原因,达成服务器极致可靠性。

看了以上紫田小编为各位整理的关于服务器“异常”的6个可能性预警的介绍,希望用户在遇到服务器宕机的时候会第一时间知道,上面所介绍的服务器宕机的一系列问题,希望能帮助到想要了解服务器宕机方面信息的朋友们。

紫田网络十多年的IDC运营经验,推出服务器租用托管、机柜租用、带宽租用、虚拟主机云主机域名注册等业务,同时提供高防服务器安全服务,欢迎广大客户来电咨询!详询地址:https://www.zitian.cn/

  • 7*24小时售后支持
  • 免备案服务
  • 专业运维、开发团队
  • 3个工作日无理由退款

代理域名注册服务机构:阿里云 新网数码 世纪创联 中国频道 商中在线科技股份有限公司

郑州紫田网络科技有限公司 2005-2020 © All Rights Reserved. 增值电信业务许可证: 豫B1.B2-20070002

豫公网安备 41010502003008号