线上系统性问题定位与方法论
摘要: 什么样的现象应该列为“系统问题”？某个服务的QPS达到1000？对于一般系统或许算是，但是对大型电商网站，或许这只是常态。很显然对于不同规模，不同功能的系统，这个问题无法一概而论。因此快速发现问题的前提是深 ...
本文讲什么：本文尝试将本人工作过程中对线上问题的处理经验加以总结精炼，并给出一套相对有规律的问题定位处理模式，希望能够在排查问题的过程中可以帮助大家节省一些时间，尽快找出问题的关键点并修复。
本文不讲什么：1、这不是一篇Linux命令的教程，虽然文章里会提到一些命令，但只会简单介绍他们的作用和应用场景，详细使用说明请大家自行google。2、本文不打算为所有问题寻找解决方案，事实上下面列出的方法只对大部分Java编写的web系统比较有意义，一些特别个性化的案例也不再讨论范围之内。
了解你的系统什么样的现象应该列为“系统问题”？某个服务的QPS达到1000？对于一般系统或许算是，但是对大型电商网站，或许这只是常态。
很显然对于不同规模，不同功能的系统，这个问题无法一概而论。因此快速发现问题的前提是深入了解你的系统。
通常情况下，我们可以把系统简单的划分为下面三个层次：
系统层也就是我们的部署软硬件环境。通常包含CPU、磁盘、内存、网络IO等。我们的系统是分布式的，还是单机应用？CPU是几核的？物理机还是虚机？内存、磁盘是多大？网卡的规格？
软件层也是我们部署的软件环境。负载均衡服务器？JDK版本？web服务器（Tomcat等）以及JVM参数设置？数据库、缓存使用的是哪种产品？
应用层也就是我们的系统本身。关键接口的平均响应时间（RT）是多少？服务的QPS是多少？某个接口的并发数能承受多少？
以上这些问题你是否能回答出来？这些问题的了解多寡，决定了你对系统的熟悉程度，也在很大程度上决定了你能否及时的发现问题，甚至在其真正造成影响之前就将问题解决。
现在你或许能回答：某个服务的QPS达到1000，究竟算不算是线上问题。
评估问题影响范围一个问题究竟影响了多大范围的用户？在多大程度上影响用户的正常使用？如果是集群系统，那么这个问题是全局性的还是只在单台机器上出现？不同的问题范围会直接影响到问题处理的优先级，一些极端情况下的个案，甚至可以不急于处理（至少不用过于焦虑）。
问题信息的搜集来源，有如下途径：
系统、业务监控报警一般稍微上规模的公司，都会有配套的监控系统，通常监控系统报警都意味着问题已经影响到系统的正常运行了，此时属于比较严重的生成事故，需要第一时间处理。此类问题由于可以重现，因此比较容易排查。
关联系统故障追溯关联系统发现问题，通过追溯发现是由本系统的问题引发的，此时问题的触发的往往已经比较明确，需要根据关联系统的故障程度决定问题处理的优先级。但此类问题很容易牵扯出隐藏的其他问题（如系统改造时沟通不善造成的适配问题等），紧急修复后还需要进行进一步仔细排查。
生产事件上报（客服上报）此类问题往往来自用户投诉，最重要的就是问题现象的复现。
主动发现通过线上监控，或者日志，主动发现线上系异常的情况。需要确认是否是问题，可能只是偶发性的系统抖动。
快速恢复说回问题本身，一旦确定是系统bug，该如何处理？立即去检查代码？且不说线上bug往往不那么容易检查出来，及时能够快速定位，修复又会耗费大量时间，这期间不知有多少用户受到影响。
线上问题处理的核心是快速修复。有以下两类处理方案：
1.无法快速定位到问题根源回滚：当最近有新版本上线时，多半推荐这种方案
重启：CPU高，或者连接数飙升时，会采取这种方法
扩容：线上访问压力大，重启也无法解决时
2.可以定位到问题点的临时方案或者功能降级
无论哪种方式，目标都是以最快速度恢复服务。但这种方式是临时的，为了彻底解决问题，都需要保留事故现场。基本方式如下：
执行top命令，若CPU空闲程度较低：shift+p按CPU使用率倒排，记录最耗资源的进程信息。
执行free m命令，若内存使用量高：执行top，shift+m按内存使用率倒排，记录最耗资源的进程信息。
对嫌疑进程执行ps xuf | grep java，打印进程详细信息并记录。
使用jstack <PID> >jstack.log收集线程信息（反复多取几次）。
使用jstat gcutil <PID> 查看Old区占用率，对接近100%的进程执行jmap<PID> > jmap.log保留内存信息。
定位与修复下图展示了常规情况下我们系统故障的原因：图1-系统故障原因 由此可见，多数情况下，系统的故障都会反映为系统的一项或者多项指标异常。如最初所说，我们可以将整个系统抽象成为几个模块，那么对应的，每个模块也有一些工具供我们进行问题的分析与定位。
图2-Linux常用工具集
以下是常见的问题排查工具箱：
CPU：top Hp
系统内存：free m
IO：iostat
磁盘：df h
网络链接：netstat
gc：jstat gcutil
线程：jstack
Java内存：jmap
辅助工具：MAT，btrace，jprofile
具体的使用方法不再赘述
方法论有了基本的系统模块划分，以及每个模块对应的分析工具，我们可以尝试将问题的排查抽象成一个相对固定的流程。大致的思路是：
先逐个模块排查，确认问题现象
再根据问题现象，定位问题进程
进一步分析线程以及内存情况
最终找到问题的触发点。
基本流程如下图所示：图3-逐步排查，锁定问题进程
图4-详细分析目标进程
为故障与失败做设计随着系统规模的逐渐扩大，更多的功能被引入，更多的代码被添加进来，从这个角度来看线上的问题几乎是无可避免的。以上说的都是问题发生后的消极应对措施。事实上，无论我们的设计多么的完善，故障仍然是无法避免的。而且大多数时候，失败、故障都会从一个我们无法预期的角度发生，令人猝不及防。
因此在系统架构时需要设计一种机制，使得失败、故障发生时能将系统的损失降到较低，在故障发生时尽可能维持核心功能的可用性。
1.设置合理的超时机制处理网络上第三方依赖时，需要对接口的响应时间有一个合理预期，当请求超时时能够主动断开连接，避免请求堆积。
本地服务相互调用时也需要合理的设置超时时间。
2.服务降级对于无法正常响应的应用程序应对可以自动切换到较低版本的实现。
对于一些次重要级的接口，可以考虑返回一个系统默认值。
3.主动抛弃对于响应过慢的第三方接口，如果非核心调用，也可以采取直接抛弃的方式。
无论是降级或者抛弃，系统都应当具备适当的重试机制，使得依赖在回复之后可以自动恢复正常调用。
作者简介孙思，转转交易系统负责人，08年北航计算机系虚拟现实实验室研究生毕业。毕业后入职中国民航信息网络股份有限公司（TravelSky），负责机票发布平台（EasyFare）的研发和维护工作。2010年进入互联网行业，先后供职于网易（北京）、搜狐和去哪儿网，参与过网易电商基础平台建设，活动及促销运营平台的设计与实现；搜狐新闻客户端的开发、重构，以及去哪儿网旗下当地人产品的交易、支付系统的升级改造。2016年04月加入转转公司，担任中台技术部交易系统负责人，整体负责转转的交易系统、支付中心以及活动促销运营等系统的研发工作。对大规模电商平台、分布式系统的设计和实现有较深入的了解。
网络 工具 Java Hadoop 分布式 进程
前言一线程序员在工作中经常需要处理线上的问题或者故障，但工作几年下来发现，有些同事其实并不知道该如何去分析和解决这些问题，毫无章法的猜测和尝试，虽然在很多时候可以最终解决问题，但往往也会浪费大量的时间，时间就是金钱，对线上系统而言甚至是生命。本文讲什么：本文尝试将本人工作过程中对线上问题的处理经验加以总结精炼，并给出一套相对有规律的问题定位处理模式，希望能够在排查问题的过程中可以帮助大家节省一些时间，尽快找出问题的关键点并修复。
本文不讲什么：1、这不是一篇Linux命令的教程，虽然文章里会提到一些命令，但只会简单介绍他们的作用和应用场景，详细使用说明请大家自行google。2、本文不打算为所有问题寻找解决方案，事实上下面列出的方法只对大部分Java编写的web系统比较有意义，一些特别个性化的案例也不再讨论范围之内。
了解你的系统什么样的现象应该列为“系统问题”？某个服务的QPS达到1000？对于一般系统或许算是，但是对大型电商网站，或许这只是常态。
很显然对于不同规模，不同功能的系统，这个问题无法一概而论。因此快速发现问题的前提是深入了解你的系统。
通常情况下，我们可以把系统简单的划分为下面三个层次：
系统层也就是我们的部署软硬件环境。通常包含CPU、磁盘、内存、网络IO等。我们的系统是分布式的，还是单机应用？CPU是几核的？物理机还是虚机？内存、磁盘是多大？网卡的规格？
软件层也是我们部署的软件环境。负载均衡服务器？JDK版本？web服务器（Tomcat等）以及JVM参数设置？数据库、缓存使用的是哪种产品？
应用层也就是我们的系统本身。关键接口的平均响应时间（RT）是多少？服务的QPS是多少？某个接口的并发数能承受多少？
以上这些问题你是否能回答出来？这些问题的了解多寡，决定了你对系统的熟悉程度，也在很大程度上决定了你能否及时的发现问题，甚至在其真正造成影响之前就将问题解决。
现在你或许能回答：某个服务的QPS达到1000，究竟算不算是线上问题。
评估问题影响范围一个问题究竟影响了多大范围的用户？在多大程度上影响用户的正常使用？如果是集群系统，那么这个问题是全局性的还是只在单台机器上出现？不同的问题范围会直接影响到问题处理的优先级，一些极端情况下的个案，甚至可以不急于处理（至少不用过于焦虑）。
问题信息的搜集来源，有如下途径：
系统、业务监控报警一般稍微上规模的公司，都会有配套的监控系统，通常监控系统报警都意味着问题已经影响到系统的正常运行了，此时属于比较严重的生成事故，需要第一时间处理。此类问题由于可以重现，因此比较容易排查。
关联系统故障追溯关联系统发现问题，通过追溯发现是由本系统的问题引发的，此时问题的触发的往往已经比较明确，需要根据关联系统的故障程度决定问题处理的优先级。但此类问题很容易牵扯出隐藏的其他问题（如系统改造时沟通不善造成的适配问题等），紧急修复后还需要进行进一步仔细排查。
生产事件上报（客服上报）此类问题往往来自用户投诉，最重要的就是问题现象的复现。
主动发现通过线上监控，或者日志，主动发现线上系异常的情况。需要确认是否是问题，可能只是偶发性的系统抖动。
快速恢复说回问题本身，一旦确定是系统bug，该如何处理？立即去检查代码？且不说线上bug往往不那么容易检查出来，及时能够快速定位，修复又会耗费大量时间，这期间不知有多少用户受到影响。
线上问题处理的核心是快速修复。有以下两类处理方案：
1.无法快速定位到问题根源回滚：当最近有新版本上线时，多半推荐这种方案
重启：CPU高，或者连接数飙升时，会采取这种方法
扩容：线上访问压力大，重启也无法解决时
2.可以定位到问题点的临时方案或者功能降级
无论哪种方式，目标都是以最快速度恢复服务。但这种方式是临时的，为了彻底解决问题，都需要保留事故现场。基本方式如下：
执行top命令，若CPU空闲程度较低：shift+p按CPU使用率倒排，记录最耗资源的进程信息。
执行free m命令，若内存使用量高：执行top，shift+m按内存使用率倒排，记录最耗资源的进程信息。
对嫌疑进程执行ps xuf | grep java，打印进程详细信息并记录。
使用jstack <PID> >jstack.log收集线程信息（反复多取几次）。
使用jstat gcutil <PID> 查看Old区占用率，对接近100%的进程执行jmap<PID> > jmap.log保留内存信息。
定位与修复下图展示了常规情况下我们系统故障的原因：图1-系统故障原因 由此可见，多数情况下，系统的故障都会反映为系统的一项或者多项指标异常。如最初所说，我们可以将整个系统抽象成为几个模块，那么对应的，每个模块也有一些工具供我们进行问题的分析与定位。
图2-Linux常用工具集
以下是常见的问题排查工具箱：
CPU：top Hp
系统内存：free m
IO：iostat
磁盘：df h
网络链接：netstat
gc：jstat gcutil
线程：jstack
Java内存：jmap
辅助工具：MAT，btrace，jprofile
具体的使用方法不再赘述
方法论有了基本的系统模块划分，以及每个模块对应的分析工具，我们可以尝试将问题的排查抽象成一个相对固定的流程。大致的思路是：
先逐个模块排查，确认问题现象
再根据问题现象，定位问题进程
进一步分析线程以及内存情况
最终找到问题的触发点。
基本流程如下图所示：图3-逐步排查，锁定问题进程
图4-详细分析目标进程
为故障与失败做设计随着系统规模的逐渐扩大，更多的功能被引入，更多的代码被添加进来，从这个角度来看线上的问题几乎是无可避免的。以上说的都是问题发生后的消极应对措施。事实上，无论我们的设计多么的完善，故障仍然是无法避免的。而且大多数时候，失败、故障都会从一个我们无法预期的角度发生，令人猝不及防。
因此在系统架构时需要设计一种机制，使得失败、故障发生时能将系统的损失降到较低，在故障发生时尽可能维持核心功能的可用性。
1.设置合理的超时机制处理网络上第三方依赖时，需要对接口的响应时间有一个合理预期，当请求超时时能够主动断开连接，避免请求堆积。
本地服务相互调用时也需要合理的设置超时时间。
2.服务降级对于无法正常响应的应用程序应对可以自动切换到较低版本的实现。
对于一些次重要级的接口，可以考虑返回一个系统默认值。
3.主动抛弃对于响应过慢的第三方接口，如果非核心调用，也可以采取直接抛弃的方式。
无论是降级或者抛弃，系统都应当具备适当的重试机制，使得依赖在回复之后可以自动恢复正常调用。
作者简介孙思，转转交易系统负责人，08年北航计算机系虚拟现实实验室研究生毕业。毕业后入职中国民航信息网络股份有限公司（TravelSky），负责机票发布平台（EasyFare）的研发和维护工作。2010年进入互联网行业，先后供职于网易（北京）、搜狐和去哪儿网，参与过网易电商基础平台建设，活动及促销运营平台的设计与实现；搜狐新闻客户端的开发、重构，以及去哪儿网旗下当地人产品的交易、支付系统的升级改造。2016年04月加入转转公司，担任中台技术部交易系统负责人，整体负责转转的交易系统、支付中心以及活动促销运营等系统的研发工作。对大规模电商平台、分布式系统的设计和实现有较深入的了解。
大数据培训、人工智能培训、Python培训、大数据培训机构、大数据培训班、数据分析培训、大数据可视化培训，就选光环大数据！光环大数据，聘请专业的大数据领域知名讲师，确保教学的整体质量与教学水准。讲师团及时掌握时代潮流技术，将前沿技能融入教学中，确保学生所学知识顺应时代所需。通过深入浅出、通俗易懂的教学方式，指导学生更快的掌握技能知识，成就上万个高薪就业学子。 更多问题咨询，欢迎点击------>>>>在线客服！
