先按“现象分级资源定位针对性处理”三步走,绝大多数问题都落在CPU、内存、磁盘IO、网络连接这四类资源上,用 top、vmstat、iostat、ss 四条命令基本就能锁定故障点。重启确实能换来十分钟的顺畅,但它把现场证据一起清掉了,下一次卡顿来的时候你还是只能凭感觉猜。
先分清是哪种卡,三种现象对应三条路
服务器“卡”这个词太笼统,用户说的卡、运维看到的卡、监控画出来的卡,往往是三件不同的事,第一件事是把现象拆细。
- 全网卡还是单业务卡:SSH 登上去敲命令都延迟,说明是系统层或网络层;SSH 很流畅但页面转圈,多半是应用层、数据库或依赖的下游服务。
- 全天卡还是特定时段卡:每天上午十点准时卡,翻监控看是不是定时任务、备份、日志切割撞在一起;毫无规律的偶发卡顿,优先怀疑磁盘坏道、网络抖动、云厂商的宿主机迁移。
- 一直卡还是刚变卡:刚变卡就回忆最近改过什么上线了新版本、加了新索引、扩容了带宽、调了内核参数,变更即嫌疑,这是排查里回报率最高的一条经验。
可以先做一张速查表,把现象和第一手取证动作对应起来:
| 用户侧现象 | 常见根因方向 | 登录后先看什么 |
|---|---|---|
| 命令输入有明显延迟 | CPU 抢占、内存 swap、系统负载 | top、uptime、vmstat 1 |
| 网页打开慢但能打开 | 应用响应慢、数据库慢查询 | 应用日志、慢查询日志 |
| 时快时慢、间歇超时 | 网络抖动、丢包、连接数打满 | ss -s、mtr、ping |
| 磁盘写入报错或极慢 | 磁盘 IO 打满、inode 耗尽 | iostat -x 1、df -h、df -i |
服务器卡顿怎么排查?盯住四个资源维度
“服务器卡顿怎么排查”这个问题,落到操作层面其实是四条并行的取证线,别一条道走到黑。
CPU:看负载和等待,别只盯占用率
top 第一行 load average 的三个数字是 1 分钟、5 分钟、15 分钟的平均负载,把它除以核心数(nproc 查),结果长期大于 1 就说明任务在排队,CPU 占用率不高但负载很高,通常是有大量进程卡在不可中断睡眠状态,方向要转向磁盘或 NFS。
再看 %wa(iowait)这一列,它长期偏高,说明 CPU 在等磁盘,加机器没用,得换盘或优化 SQL。
内存:OOM 和 swap 是两枚暗雷
free -h 里 available 才是真实可用内存,buff/cache 不算紧张,真正危险的是 swap 被大量占用,vmstat 1 里 si、so 两列持续非零,意味着系统在频繁换页,表现就是全系统一起变慢。
再执行 dmesg | grep -i "out of memory",如果看到 OOM Killer 的记录,说明有进程被系统杀过,卡顿和偶发的服务重启就有解释了。
磁盘IO:iowait 高才是真卡
iostat -x 1 重点看 %util 和 await。%util 长期接近 100,说明磁盘已经跑满;await 明显偏高说明单次 IO 排队时间过长,云盘还要注意突发性能型实例的 IOPS 有额度,用超了会被限速,监控上看着正常,实际吞吐掉一大截。
顺手查一下 df -h 和 df -i,磁盘满和 inode 满都会让服务直接写不进去,日志里报的错却往往指向别处。
网络与连接数:带宽跑满和 TIME_WAIT 堆积
ss -s 能一眼看出总连接数、TIME_WAIT 数量,短连接多的业务,TIME_WAIT 堆到几万个很常见,端口耗尽后新连接建不起来,用户侧的感受就是“卡住不动”。sar -n DEV 1 看网卡收发包和带宽是否打满,mtr 对着目标地址跑一段,能看出丢包发生在哪一跳。
云服务器和物理服务器卡顿的区别在哪
“云服务器和物理服务器卡顿的区别”这个问题,决定了你排查时的第一反应,两者症状像,病因往往不同。
云上更多是配额和邻居问题
云主机的 CPU、内存、磁盘 IOPS、带宽都是配额制,突发性能实例有积分,积分耗尽后 CPU 被限制在一个很低的基线,表现就是“上午好好的,下午突然变慢”,共享型实例还可能受同宿主机其他租户影响,这类情况在本机 top 里看不出异常,得去控制台看监控曲线和积分余量,业内专家指出,云环境排查应先确认实例规格与配额是否匹配当前业务量,再怀疑系统内部。
物理机更可能是硬件和积累问题
物理服务器用久了,硬盘出现坏道、内存条报可纠正错误、风扇积灰导致降频,都会以“卡顿”的形式出现,查 smartctl -a /dev/sda 看磁盘健康,查 dmesg -T | grep -i error 看硬件报错,另一类常见原因是系统跑了几年没重装,内核版本老、日志文件堆积、临时文件塞满 /tmp。
电商大促场景:服务器卡顿怎么解决
平时够用的配置,一到大促就顶不住,这是很典型的场景。电商大促服务器卡顿怎么解决,思路和日常排障不一样日常是找故障,大促是找瓶颈上限。
- 提前压测:至少提前两周用真实链路压一遍,重点看下单、支付、库存扣减三个接口的 P99 响应时间,而不是平均值。
- 拆热点:秒杀商品和普通商品分开部署,热点数据进 Redis,别让所有请求都打到同一台数据库。
- 限流兜底:网关层配好限流和降级策略,宁可让一部分请求排队,也别让整站雪崩。
- 扩容预案:把扩容脚本提前写好并演练过,临时抱佛脚手动开机器,往往赶不上流量上涨的速度。
行业共识认为,大促期间的稳定性主要靠预案,临时调优能起到的作用有限。
找外援之前,先弄清排查一次多少钱
如果内部没人能顶,找外部运维是常见选择。服务器卡顿排查一次多少钱,市面上没有统一报价,但计费方式大致分三类:
- 按次排查:单次上门或远程诊断,通常按工时计费,适合偶发、原因不明的问题。
- 按台包月:适合机器数量较多、需要长期监控告警的团队,费用与机器数量和响应时效挂钩。
- 按项目:涉及架构优化、迁移、压测这类有明确交付物的工作,按人天或项目总价结算。
价格差异主要来自响应时效和是否含夜间值守,地域上也有区别,一线城市的上门服务成本更高,比如北京服务器卡顿上门运维的报价通常包含交通和加急成本,同等工作量在二三线城市会低一些,签合同前记得确认报价是否含复现、是否含报告、后续同类问题是否另收费。
日常防卡顿的几个习惯
- 监控别只设 CPU 阈值,把负载、iowait、swap 使用率、连接数、磁盘剩余空间一起纳入告警。
- 日志做轮转,别让一个 8G 的日志文件拖垮整个分区。
- 定期检查慢查询日志,数据库的慢,最终都会表现为服务器的卡。
- 保留一台跳板机的独立带宽,避免业务带宽打满时连不上机器。
关于服务器卡顿的常见问题
服务器卡顿但不重启会越来越严重吗
取决于根因,内存泄漏、连接数泄漏这类问题会持续恶化,越拖越难恢复;磁盘 IO 打满、定时任务撞车这类问题往往过了高峰自己就缓过来,判断方法是连续观察二十分钟,看负载曲线是持续攀升还是已经走平。
云服务器卡顿怎么快速判断是不是云厂商的问题
先在本机看 iostat 和 vmstat,如果系统内部各项指标都正常,但外部访问就是慢,再去控制台核对实例的 CPU 积分、带宽峰值、云盘 IOPS 是否触顶,同时用 mtr 对同一目标连续跑几分钟,观察丢包是否集中在某一跳,这两边都干净,问题基本就在应用自身。
服务器卡顿重启后暂时恢复,说明什么
说明问题没有解决,只是被清空了现场,重启能缓解的情况通常集中在三类:内存泄漏导致的 OOM 风险、连接数或文件句柄被占满、僵尸进程堆积,这三类都会在重启后从零开始重新累积,所以恢复期往往和业务量正相关,量越大恢复得越快,也就越接近下一次故障的时间点。
首发原创文章,作者:王坚,如若转载,请注明出处:https://idctop.com/article/809497.html


