1. 概述与排查流程总览
1. 在开始任何操作前，先确认问题范围（单机/整机群、网络/服务层）。推荐按顺序：网络连通 → 服务端口 → 资源使用 → 日志排查 → 应用内部状态。每一步都记录时间和命令输出以便回溯。
2. 首步：SSH 与主机连通性核查
2. 通过本地机器尝试 ssh 登录：ssh -i /path/key root@IP。若无法登录，先从本地运行 ping IP、traceroute -n IP。如果 ICMP 全丢包，切换到云控制台查看主机状态（是否处于停机、过载、网络限制）。必要时重置云主机网络或控制台串口登录。
3. 网络层深度检查（包、端口、路由）
3. 在能 SSH 的前提下，检查网络接口与路由：ip addr show; ip route show; ethtool eth0（查看链路状态）。若怀疑丢包用 tcpdump -i eth0 host 目标IP -w /tmp/cap.pcap，再用 Wireshark 分析或 tcpdump -nn -A 'tcp port 80'。
4. 服务端口与进程排查（以 Nginx/Mysql 为例）
4. 检查端口监听：ss -tulnp | grep :80 ; lsof -i :3306。检查服务状态：systemctl status nginx -l；nginx -t 验证配置；journalctl -u nginx -n 200 --no-pager 查看最近日志。MySQL: mysqladmin -uroot -p ping；mysql -e "SHOW PROCESSLIST\G"。
5. 磁盘和 inode 问题快速定位
5. 查看磁盘与 inode 使用：df -h ; df -i。若根分区满：du -sh /* | sort -hr | head -n 20 定位大目录；清理 /var/log 或过期备份。若 inode 用尽，找出小文件过多目录：find /path -xdev -printf '%h\n' | sort | uniq -c | sort -rn | head。
6. 内存与 CPU 相关故障处理
6. 用 free -m 查看内存，用 top 或 htop 定位占用进程。若 OOM 频发，检查 dmesg | grep -i oom 或 journalctl -k。可临时增加 swap：fallocate -l 2G /swapfile; chmod 600 /swapfile; mkswap /swapfile; swapon /swapfile；并在 /etc/fstab 添加行持久化。
7. 日志与错误信息的结构化排查
7. 常看位置：/var/log/syslog 或 /var/log/messages、/var/log/nginx/*.log、/var/log/mysql/*.log。用 tail -F 持续观察：tail -F /var/log/nginx/error.log。遇到重复错误，复制完整时间段日志用于定位 root cause。
8. 防火墙与安全策略问题检查
8. 检查本机防火墙：ufw status verbose 或 iptables -L -n -v。检查云端安全组/防火墙规则是否阻断端口。若端口被阻止，先在本机临时放通：iptables -I INPUT -p tcp --dport 80 -j ACCEPT；记得持久化修改。
9. 常见网络问题：MTU / MSS 与 TCP 性能
9. 若出现大文件传输慢或 TLS 握手超时，检查 MTU：ip link show eth0；可临时调整 ip link set dev eth0 mtu 1400。对 TCP MSS 问题在防火墙上做 MSS clamping 或调整服务器的 TCP 缓冲区。
10. 自动化自愈脚本与 systemd 配置
10. 推荐用 systemd 做服务自愈：在 /etc/systemd/system/my.service 添加 Restart=on-failure RestartSec=5。再写简单健康检查脚本 /usr/local/bin/healthcheck.sh：
bash脚本示例：
#!/bin/bash
if ! curl -s -o /dev/null -w "%{http_code}" http://127.0.0.1:80 | grep -q "^200$" ; then
systemctl restart nginx
echo "$(date): nginx restarted" >> /var/log/healthcheck.log
fi
并用 cron 或 systemd timer 每分钟运行。
11. 自动监控部署：Prometheus + Node Exporter（安装步骤）
11. 在被监控主机上：
wget https://github.com/prometheus/node_exporter/releases/download/v*/node_exporter-*.*-amd64.tar.gz
tar xzf node_exporter-*.tar.gz
sudo useradd -rs /bin/false node_exporter
sudo cp node_exporter-*/node_exporter /usr/local/bin/
创建 systemd 单元 /etc/systemd/system/node_exporter.service，内容：
[Unit]
Description=Node Exporter
[Service]
User=node_exporter
ExecStart=/usr/local/bin/node_exporter
Restart=always
[Install]
WantedBy=multi-user.target
然后 systemctl daemon-reload; systemctl enable --now node_exporter。Prometheus 配置 job 指向该主机 IP:9100。
12. 轻量监控与告警：Zabbix、Monit、Netdata 快速配置
12. Zabbix agent：apt install zabbix-agent；编辑 /etc/zabbix/zabbix_agentd.conf 设置 Server=ZABBIX_SERVER_IP 和 Hostname=your-host；systemctl enable --now zabbix-agent。Monit 适合进程/端口自动重启，示例 /etc/monit/monitrc 检查 HTTP 200 并 auto restart。Netdata 一键安装脚本：bash <(curl -s https://my-netdata.io/kickstart.sh) 可即时可视化 CPU/IO/网络，集成告警。
13. 日志集中与告警：Filebeat + ELK 或 Prometheus Alertmanager
13. 部署 filebeat 采集 /var/log，推到 Elasticsearch 或 Logstash。Prometheus 告警可以用 Alertmanager，配置 webhook 把告警推送到钉钉/Telegram/企业微信。示例 Telegram 推送：
curl -s -X POST "https://api.telegram.org/bot$TOKEN/sendMessage" -d chat_id=$CID -d text="告警: 主机XX CPU超限"。
14. 云平台 API 自动化操作示例（重启/快照/还原）
14. 如果厂商提供 API，可写脚本自动执行重启或创建快照。通用示例：
curl -X POST "https://api.provider/v1/servers/$ID/actions" -H "Authorization: Bearer $TOKEN" -H "Content-Type: application/json" -d '{"action":"reboot"}'
结合监控规则，当 healthcheck 失败多次就触发该 API，脚本中先做告警并记录快照再重启，避免误操作。
15. 备份与恢复策略（实操命令示例）
15. 推荐策略：每天数据库热备份 + 每日增量文件备份 + 每周快照。MySQL 备份示例：mysqldump -u root -p --single-transaction --all-databases | gzip > /backup/mysql-$(date +%F).sql.gz。文件备份可用 restic 或 rsync 到异地：restic backup /var/www --tag huozhiming。
16. 问：如何快速定位胡志明VPS的网络抖动是本地还是云侧问题？
16. 答：先从两端做排查：在本地 ping/vm -> ping 云主机外网IP 与内网IP（若有），再从云主机 ping 本地和公网（8.8.8.8）。用 traceroute 对比每跳延迟差异；若到网关跳跃出现大延迟或丢包，多半是云侧或ISP问题，联系云厂商并上传 tcpdump 证明。
17. 问：当某服务频繁进入 CrashLoop，我怎么使用自动化手段减少人工干预？
17. 答：使用 systemd 的 Restart=on-failure + RestartSec=5 配合监控（Prometheus Alertmanager 或 Zabbix），并绑定自动脚本：当连续 N 次重启仍失败，触发云 API 做快照并回滚/重启实例。再结合 Monit 或 healthcheck 脚本在问题刚出现时自动重启服务并通知运维。
18. 问：在胡志明地区部署监控与告警有哪些本地优化建议？
18. 答：建议监控节点部署在同区域或附近（越南/新加坡）以减少监控网络延迟；对延迟敏感的业务在报警规则上控制平滑窗口（如 3 次采样均异常再报警）；用 UDP/TCP 双通道日志推送备份，且把告警推送到多渠道（短信+企业微信+Telegram）以保证告警不中断。
来源：运维经验分享越南胡志明vps常见故障排查与自动化监控方法
