关于我们

质量为本、客户为根、勇于拼搏、务实创新

< 返回新闻公共列表

服务器“异常”有哪些可能性预警?

发布时间:2021-09-08 11:14:49
1491984010112764.jpg

提及服务器宕机检测,大家不会想到,宕机能够很快告诉,这个有什么可做的?实际上,很多时候服务器宕机,并不总是被及时感官。服务器宕机,ping或者ssh这是最简单的做法,但真正的工程实践中,没有这么非常简单。





      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。



/template/Home/8a/PC/Static