服務(wù)器托管主機宕機前會有哪些異常預(yù)警？
發(fā)布時間：2019-10-17 點擊數(shù)：1633
服務(wù)器托管主機一旦宕機將會給企業(yè)帶來不小的損失和影響，所以我們要提前做好預(yù)防工作，其實服務(wù)器宕機前會有一些異常預(yù)警的，這些就需要我們在平時的運維中多加留意了。
心跳源檢測異常
顧名思義，通過心跳源，初步發(fā)現(xiàn)異常。通常心跳變化會有三類消息，update消息，delete消息和insert消息。心跳邏輯在于，正常情況下SA服務(wù)端與NC建立長連接，每數(shù)秒緩存一次心跳，每幾分鐘打包上報一次，但當(dāng)NC異常時，長連接感知后，立即上報異常，并修改路由表。所以心跳異常做到秒級感知。
update消息，在有心跳發(fā)生變化情況下都會有，心跳異常和心跳恢復(fù)正常時都會發(fā)起，是主要的心跳來源。delete消息，在心跳異常，并且SA判斷ping不通，且ssh不通情況下發(fā)起，刪除該條消息，避免延遲太長。
insert消息，在新增加機器， 或者重裝后重新上位的機器發(fā)起，該消息對宕機發(fā)現(xiàn)價值不大，配合uptime使用。
心跳源檢測任務(wù)邏輯，主要是監(jiān)聽并緩存uptime消息，同時避免時間窗內(nèi)多次消息沖突，導(dǎo)致信息被覆蓋。
異常排除
排除非物理機器，將系統(tǒng)中暫時不關(guān)注的VM等產(chǎn)生的異常信息排除掉。排除非業(yè)務(wù)狀態(tài)的機器，如裝機狀態(tài)中的，包括生產(chǎn)中，維修中，遷移中，重裝中，銷毀中，重啟中，無管控狀態(tài)，只監(jiān)控正常狀態(tài)的機器。
排除非正在工作的機器，如非working狀態(tài)機器。
網(wǎng)絡(luò)干擾排除
宕機分析中，較多誤報是由于網(wǎng)絡(luò)問題干擾，無法準(zhǔn)確判斷出物理機是否宕機，有可能是網(wǎng)絡(luò)問題。排除上聯(lián)網(wǎng)絡(luò)設(shè)備異常導(dǎo)致的誤報，包括機房斷網(wǎng)演練，小面積網(wǎng)絡(luò)故障，上聯(lián)網(wǎng)絡(luò)故障，如通過探測丟包情況，使用一些邏輯初步判斷網(wǎng)絡(luò)問題。
服務(wù)器本身未丟包的誤報，除了需要過濾出網(wǎng)絡(luò)問題，還要通過丟包數(shù)據(jù)分析，過濾掉SA誤報問題， SA異常會上報心跳異常，被誤理解為宕機。
icmp及tcp丟包分析，icmp采集頻率為固定數(shù)秒，tcp采集頻率固定數(shù)秒，包括多個不同大小包（16，32，64，128，256等）的丟包情況，根據(jù)分析時間窗內(nèi)兩項數(shù)據(jù)的丟包情況
特殊情況干擾排除
個別機房有時候會出現(xiàn)大面積風(fēng)暴式的無故心跳異常，同時網(wǎng)絡(luò)ping包異常，但上聯(lián)網(wǎng)絡(luò)設(shè)備ping包正常，這種誤報，一般根據(jù)具體case具體進(jìn)行針對性的分析。如根據(jù)監(jiān)控每個機房的上報頻率，排除干擾。進(jìn)一步識別誤報
至此，大部分干擾已經(jīng)過濾掉，但仍有一部分誤報隱藏其中。比如心跳異常，ping異常，都合乎宕機判斷的邏輯，會導(dǎo)致誤判成宕機，如導(dǎo)致網(wǎng)卡被打爆，或者重試率高，這種是業(yè)務(wù)原因?qū)е戮W(wǎng)絡(luò)異常，但業(yè)務(wù)認(rèn)為不是異常，需要排除掉。再例如服務(wù)器并沒有掛掉，但是IO延時和資源占用率各項指標(biāo)都不正常等場景。針對以上等情況，增加uptime判斷以及帶外日志分析排查。宕機時間點探測uptime確定是否發(fā)生重啟。
進(jìn)一步通過分析日志是否連續(xù)，判斷是否發(fā)生重啟。
日志重啟特征值匹配，確認(rèn)是否發(fā)生重啟。
如果還不能確定，使用uptime的時間窗技術(shù)進(jìn)行重啟。
仍不能確定的待處理，進(jìn)入長尾處理名單。
長尾再次處理
未確認(rèn)的待處理的，會加入到長尾列表中，像這種分鐘級的心跳異常，ping異常，但串口日志一直正常輸出的情況，一般就是某種死機，死到連網(wǎng)絡(luò)都不通的場景。會觀察一段時間，一個固定時間窗內(nèi)仍未恢復(fù)或重啟的話，就暫時報宕機。后期會把這種死機單獨找劃分歸類。講了這么多，到底效果怎么樣？
我們從準(zhǔn)確率和覆蓋率來看：
準(zhǔn)確率：目前發(fā)現(xiàn)的宕機中有很高準(zhǔn)確度，可以區(qū)分出真正宕機或者未宕機。而判斷為宕機的數(shù)據(jù)中，也存在少量的，由于缺少相關(guān)信息導(dǎo)致誤報，該部分將進(jìn)一步優(yōu)化，逐漸降低誤報，在新的措施之后，該比例會接近0。
覆蓋率：當(dāng)前統(tǒng)計的覆蓋率已經(jīng)能很好的支撐日常宕機處理，該數(shù)據(jù)在有足夠的特征后，會進(jìn)一步提升。
目前，宕機感知是宕機分析的基礎(chǔ)，通過服務(wù)器宕機實時檢測，會把相應(yīng)的宕機原因分布整理出來，明確具體的原因，達(dá)成服務(wù)器極致可靠性。
通過這些預(yù)警信息我們可以在服務(wù)器宕機前做好運維工作避免造成不必要的損失，以上信息由全網(wǎng)數(shù)據(jù)小編整理分享，全網(wǎng)數(shù)據(jù)專業(yè)提供深圳服務(wù)器租用，深圳服務(wù)器托管，深圳主機租用，寬帶租用等，歡迎垂詢了解詳情。
