這是一個Nginx錯誤日志：

connect() failed (110: Connection timed out) while connecting to upstream

connect() failed (111: Connection refused) while connecting to upstream

看上去是Upstream出了問題，在本例中Upstream就是PHP（版本：5.2.5）。可惜監(jiān)控不完善，我搞不清楚到底是哪出了問題，無奈之下只好不斷重啟PHP來緩解故障。

如果每次都手動重啟服務無疑是個苦差事，幸運的是可以通過CRON設置每分鐘執(zhí)行：

代碼如下:

#/bin/bash</p> <p>LOAD=$(awk '{print $1}' /proc/loadavg)</p> <p>if [ $(echo "$LOAD > 100" | bc) = 1 ]; then

/etc/init.d/php-fpm restart

fi

可惜這只是一個權宜之計，要想徹底解決就必須找出故障的真正原因是什么。

閑言碎語不要講，輪到Strace出場了，統(tǒng)計一下各個系統(tǒng)調用的耗時情況：

代碼如下:

shell> strace -c -p $(pgrep -n php-cgi)

% time     seconds  usecs/call     calls    errors syscall

------ ----------- ----------- --------- --------- ----------------

 30.53    0.023554         132       179           brk

 14.71    0.011350         140        81           mlock

 12.70    0.009798          15       658        16 recvfrom

  8.96    0.006910           7       927           read

  6.61    0.005097          43       119           accept

  5.57    0.004294           4       977           poll

  3.13    0.002415           7       359           write

  2.82    0.002177           7       311           sendto

  2.64    0.002033           2      1201         1 stat

  2.27    0.001750           1      2312           gettimeofday

  2.11    0.001626           1      1428           rt_sigaction

  1.55    0.001199           2       730           fstat

  1.29    0.000998          10       100       100 connect

  1.03    0.000792           4       178           shutdown

  1.00    0.000773           2       492           open

  0.93    0.000720           1       711           close

  0.49    0.000381           2       238           chdir

  0.35    0.000271           3        87           select

  0.29    0.000224           1       357           setitimer

  0.21    0.000159           2        81           munlock

  0.17    0.000133           2        88           getsockopt

  0.14    0.000110           1       149           lseek

  0.14    0.000106           1       121           mmap

  0.11    0.000086           1       121           munmap

  0.09    0.000072           0       238           rt_sigprocmask

  0.08    0.000063           4        17           lstat

  0.07    0.000054           0       313           uname

  0.00    0.000000           0        15         1 access

  0.00    0.000000           0       100           socket

  0.00    0.000000           0       101           setsockopt

  0.00    0.000000           0       277           fcntl

------ ----------- ----------- --------- --------- ----------------

100.00    0.077145                 13066       118 total

看上去「brk」非常可疑，它竟然耗費了三成的時間，保險起見，單獨確認一下：

代碼如下:

shell> strace -T -e brk -p $(pgrep -n php-cgi)

brk(0x1f18000) = 0x1f18000 <0.024025>

brk(0x1f58000) = 0x1f58000 <0.015503>

brk(0x1f98000) = 0x1f98000 <0.013037>

brk(0x1fd8000) = 0x1fd8000 <0.000056>

brk(0x2018000) = 0x2018000 <0.012635>

說明：在Strace中和操作花費時間相關的選項有兩個，分別是「-r」和「-T」，它們的差別是「-r」表示相對時間，而「-T」表示絕對時間。簡單統(tǒng)計可以用「-r」，但是需要注意的是在多任務背景下，CPU隨時可能會被切換出去做別的事情，所以相對時間不一定準確，此時最好使用「-T」，在行尾可以看到操作時間，可以發(fā)現確實很慢。

在繼續(xù)定位故障原因前，我們先通過「man brk」來查詢一下它的含義：

brk() sets the end of the data segment to the value specified by end_data_segment, when that value is reasonable, the system does have enough memory and the process does not exceed its max data size (see setrlimit(2)).

簡單點說就是內存不夠用時通過它來申請新內存（data segment），可是為什么呢？

代碼如下:

shell> strace -T -p $(pgrep -n php-cgi) 2>&1 | grep -B 10 brk

stat("/path/to/script.php", {...}) = 0 <0.000064>

brk(0x1d9a000) = 0x1d9a000 <0.000067>

brk(0x1dda000) = 0x1dda000 <0.001134>

brk(0x1e1a000) = 0x1e1a000 <0.000065>

brk(0x1e5a000) = 0x1e5a000 <0.012396>

brk(0x1e9a000) = 0x1e9a000 <0.000092>

通過「grep」我們很方便就能獲取相關的上下文，反復運行幾次，發(fā)現每當請求某些PHP腳本時，就會出現若干條耗時的「brk」，而且這些PHP腳本有一個共同的特點，就是非常大，甚至有幾百K，為何會出現這么大的PHP腳本？實際上是程序員為了避免數據庫操作，把非常龐大的數組變量通過「var_export」持久化到PHP文件中，然后在程序中通過「include」來獲取相應的變量，因為變量太大，所以PHP不得不頻繁執(zhí)行「brk」，不幸的是在本例的環(huán)境中，此操作比較慢，從而導致處理請求的時間過長，加之PHP進程數有限，于是乎在Nginx上造成請求擁堵，最終導致高負載故障。

下面需要驗證一下推斷似乎否正確，首先查詢一下有哪些地方涉及問題腳本：

代碼如下:

shell> find /path -name "*.php" | xargs grep "script.php"

直接把它們都禁用了，看看服務器是否能緩過來，或許大家覺得這太魯蒙了，但是特殊情況必須做出特殊的決定，不能像個娘們兒似的優(yōu)柔寡斷，沒過多久，服務器負載恢復正常，接著再統(tǒng)計一下系統(tǒng)調用的耗時：

代碼如下:

shell> strace -c -p $(pgrep -n php-cgi)

% time     seconds  usecs/call     calls    errors syscall

------ ----------- ----------- --------- --------- ----------------

 24.50    0.001521          11       138         2 recvfrom

 16.11    0.001000          33        30           accept

  7.86    0.000488           8        59           sendto

  7.35    0.000456           1       360           rt_sigaction

  6.73    0.000418           2       198           poll

  5.72    0.000355           1       285           stat

  4.54    0.000282           0       573           gettimeofday

  4.41    0.000274           7        42           shutdown

  4.40    0.000273           2       137           open

  3.72    0.000231           1       197           fstat

  2.93    0.000182           1       187           close

  2.56    0.000159           2        90           setitimer

  2.13    0.000132           1       244           read

  1.71    0.000106           4        30           munmap

  1.16    0.000072           1        60           chdir

  1.13    0.000070           4        18           setsockopt

  1.05    0.000065           1       100           write

  1.05    0.000065           1        64           lseek

  0.95    0.000059           1        75           uname

  0.00    0.000000           0        30           mmap

  0.00    0.000000           0        60           rt_sigprocmask

  0.00    0.000000           0         3         2 access

  0.00    0.000000           0         9           select

  0.00    0.000000           0        20           socket

  0.00    0.000000           0        20        20 connect

  0.00    0.000000           0        18           getsockopt

  0.00    0.000000           0        54           fcntl

  0.00    0.000000           0         9           mlock

  0.00    0.000000           0         9           munlock

------ ----------- ----------- --------- --------- ----------------

100.00    0.006208                  3119        24 total

顯而易見，「brk」已經不見了，取而代之的是「recvfrom」和「accept」，不過這些操作本來就是很耗時的，所以可以定位「brk」就是故障的原因。

用 strace 診斷問題

早些年，如果你知道有個 strace 命令，就很牛了，而現在大家基本都知道 strace 了，如果你遇到性能問題求助別人，十有八九會建議你用 strace 掛上去看看，不過當你掛上去了，看著滿屏翻滾的字符，卻十有八九看不出個所以然。本文通過一個簡單的案例，向你展示一下在用 strace 診斷問題時的一些套路。 

如下真實案例，如有雷同，實屬必然！讓我們看一臺高負載服務器的 top 結果：

技巧：運行 top 時，按「1」打開 CPU 列表，按「shift+p」以 CPU 排序。

在本例中大家很容易發(fā)現 CPU 主要是被若干個 PHP 進程占用了，同時 PHP 進程占用的比較多的內存，不過系統(tǒng)內存尚有結余，SWAP 也不嚴重，這并不是問題主因。

不過在 CPU 列表中能看到 CPU 主要消耗在內核態(tài)「sy」，而不是用戶態(tài)「us」，和我們的經驗不符。Linux 操作系統(tǒng)有很多用來跟蹤程序行為的工具，內核態(tài)的函數調用跟蹤用「strace」，用戶態(tài)的函數調用跟蹤用「ltrace」，所以這里我們應該用「strace」：

代碼如下:

shell> strace -p <PID>

不過如果直接用 strace 跟蹤某個進程的話，那么等待你的往往是滿屏翻滾的字符，想從這里看出問題的癥結并不是一件容易的事情，好在 strace  可以按操作匯總時間：

代碼如下:

shell> strace -cp <PID>

通過「c」選項用來匯總各個操作的總耗時，運行后的結果大概如下圖所示：

很明顯，我們能看到 CPU 主要被 clone 操作消耗了，還可以單獨跟蹤一下 clone：

代碼如下:

shell> strace -T -e clone -p <PID>

通過「T」選項可以獲取操作實際消耗的時間，通過「e」選項可以跟蹤某個操作：

很明顯，一個 clone 操作需要幾百毫秒，至于 clone 的含義，參考 man 文檔：

clone() creates a new process, in a manner similar to fork(2). It is actually a library function layered on top of the underlying clone() system call, hereinafter referred to as sys_clone. A description of sys_clone is given towards the end of this page.

Unlike fork(2), these calls allow the child process to share parts of its execution context with the calling process, such as the memory space, the table of file descriptors, and the table of signal handlers. (Note that on this manual page, “calling process” normally corresponds to “parent process”. But see the description of CLONE_PARENT below.)

簡單來說，就是創(chuàng)建一個新進程。那么在 PHP 里什么時候會出現此類系統(tǒng)調用呢？查詢業(yè)務代碼看到了 exec 函數，通過如下命令驗證它確實會導致 clone 系統(tǒng)調用：

代碼如下:

shell> strace -eclone php -r 'exec("ls");'

最后再考大家一個題：如果我們用 strace 跟蹤一個進程，輸出結果很少，是不是說明進程很空閑？其實試試 ltrace，可能會發(fā)現別有洞天。記住有內核態(tài)和用戶態(tài)之分。

關鍵字：Linux、strace、命令、服務器