用户可以通过以下操作来准确发现云服务器宕机的情况,减少误报。
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、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
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。如网卡被打爆,或者重试率高,这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。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。要增加uptime判断以及带外日志分析排查。
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。
注意:现在服务器报价出炉,价格很低
1、腾讯云:限时 2860 元无门槛优惠券:点击一键领取。
2、腾讯云最新活动,3年/5年服务器限时抢购:点击前往。
3、阿里云:限时 2000 元无门槛优惠券:点击一键领取。