CompTIA Linux+ 备考指南 (Chinese Edition)

第 10 章 系统级 故障排除与考试准备

本作品已使用人工智能进行翻译。欢迎您提供反馈和意见：[e-mail]

还记得第9章中下午3点那场惊魂时刻吗？当时存储系统出现故障，网络连接不断超时？ 那么，我们即将更深入地潜入故障排除这片浑水之中。本章将探讨一些连经验丰富的管理员都可能难以应对的重大挑战：失控的进程吞噬了所有 CPU 资源、内存耗尽导致服务器瘫痪、用户莫名无法访问自己拥有的文件，以及systemd服务因乍看之下完全无法理解的原因而拒绝启动。

关于系统级故障排查，关键在于：任何人都可以重启服务或重启服务器 （不过请别成为那种先重启再问问题的人），但当生产环境中的应用程序开始占用 800% 的 CPU 资源而你需要立即查明原因时，当内存莫名其妙地消失且 OOM 杀手开始随机终止进程时，或者当一半用户明明密码正确却无法登录时，能否妥善处理这些情况，正是区分那些仅能勉强维持的 Linux 管理员与那些游刃有余的优秀管理员的关键所在。

本章直接基于我们在第 9 章中确立的故障排除方法论。你已经知道如何系统地处理问题：识别、推理论证、测试、规划、实施、验证和记录。现在，我们将把这一方法论应用到你可能会遇到的最具挑战性的问题上：导致系统性能瘫痪的进程问题、看似违背逻辑的内存问题、导致完全有效的操作失败的权限谜题，以及连福尔摩斯都会束手无策的systemd谜题。 没错，在这个过程中我们还会乐在其中，因为故障排查并不一定非得是件苦差事。

为什么本章如此关键？首先，因为这些问题在生产环境中屡见不鲜。系统不会彬彬有礼地等到维护窗口才开始出错；它们会在业务高峰期崩溃，在重要演示前夕失效，甚至在你两年来的第一次休假期间出现故障。其次，因为 CompTIA Linux+ 考试会重点考察你诊断和解决此类问题的实际能力。 考试不仅包含关于理论的多项选择题，还包含基于性能的场景题，要求你实际对故障系统进行故障排除。因此，要想在考试中取得成功，你需要具备解决实际问题的实践经验，而不仅仅是死记硬背定义。

进程与 CPU 问题

让我们来讨论一下进程 ：这些是在系统上运行的程序，有时能高效运行，有时却会表现得难以预测。“进程问题”一词指的是诸如程序无法正常终止、应用程序消耗过多 CPU 资源导致系统变慢、无法运行的进程仍滞留在进程表中，以及进程进入令人费解、无法解释且完全不合逻辑的状态等问题。

现实情况是：作为 Linux 管理员，进程和 CPU 问题是你最常需要排查的故障之一。应用程序开发人员可能会将存在缺陷的代码部署到生产环境中，从而生成无限数量的子进程；备份脚本可能会失控，消耗所有可用的 CPU 周期；还可能有人不小心触发“fork 炸弹”，其繁殖速度甚至比春假期间的兔子还要快。 某个关键服务会停止响应却拒绝终止，迫使你不得不使用越来越“暴力”的杀信号来追杀它。这些并非假设情景；这就是企业 IT 部门周二早晨的日常。

理解进程意味着理解其生命周期：它们如何诞生（通过 fork 或 exec 创建）、如何运行（处于运行状态或休眠状态），以及如何终止（通过信号处理、正常关闭或强制终止）。这意味着要区分因正常繁忙而占用 CPU 的进程，与陷入无限循环的失控进程。 这意味着要理解负载平均值——那三个看似晦涩的数字，它们能告诉你系统是正被工作淹没，还是运行得顺风顺水。没错，这还意味着要知道何时该温和以待（字面意思，我们稍后会讨论进程优先级），何时该祭出重磅武器（比如SIGKILL，这是进程无法忽视的“核选项”）。

本节将为你提供系统地识别、分析和解决进程相关问题所需的知识。你将学会如何在失控进程导致生产环境崩溃之前及时发现它们，解读那些奇怪的进程状态究竟意味着什么，像指挥家指挥乐团一样控制任务执行，准确解读负载平均值而不靠猜测，区分不同类型的 ...