一、尽可能搞清楚问题的前因后果
不要一下子就扎到站群服务器前面，你需要先搞明白对这台站群服务器有多少已知的情况，还有故障的具体情况。不然你很可能就是在无的放矢。
必须搞清楚的问题有：
故障的表现是什么？无响应？报错？
故障是什么时候发现的？
故障是否可重现？
有没有出现的规律（比如每小时出现一次）
最后一次对整个平台进行更新的内容是什么（程式码、站群服务器等）？
故障影响的特定使用者群是什么样的 (已登入的, 退出的, 某个地域的…)?
基础架构（物理的、逻辑的）的文件是否能找到?
是否有监控平台可用?（比如 Munin 、 Zabbix 、 Nagios 、 New Relic… 什么都可以）
是否有日志可以检视?.（比如 Loggly 、 Airbrake 、 Graylog…）
最后两个是最方便的资讯来源，不过别抱太大希望，基本上它们都不会有。只能再继续摸索了。
二、有谁在?
$ w
$ last
用这两个命令看看都有谁线上，有哪些使用者访问过。这不是什么关键步骤，不过最好别在其他使用者正干活的时候来除错系统。有道是一山不容二虎嘛。（ne cook in the kitchen is enough.）
三、之前发生了什么?
$ history
检视一下之前站群服务器上执行过的命令。看一下总是没错的，加上前面看的谁登入过的资讯，应该有点用。另外作为 admin 要注意，不要利用自己的许可权去侵犯别人的隐私哦。
到这里先提醒一下，等会你可能会需要更新 HISTTIMEFORMAT 环境变数来显示这些命令被执行的时间。对要不然光看到一堆不知道啥时候执行的命令，同样会令人抓狂的。
四、现在在执行的程序是啥?
$ pstree -a
$ ps aux
这都是检视现有程序的。 ps aux 的结果比较杂乱， pstree -a 的结果比较简单明了，可以看到正在执行的程序及相关使用者。
五、监听的互联网服务
$ netstat -ntlp
$ netstat -nulp
$ netstat -nxlp
我一般都分开执行这三个命令，不想一下子看到列出一大堆所有的服务。 netstat -nalp 倒也可以。不过我绝不会用 numeric 选项（鄙人一点浅薄的看法：IP 地址看起来更方便）。
找到所有正在执行的服务，检查它们是否应该执行。检视各个监听埠。在 netstat 显示的服务列表中的 PID 和 ps aux 程序列表中的是一样的。
如果站群服务器上有好几个 Java 或者 Erlang 什么的程序在同时执行，能够按 PID 分别找到每个程序就很重要了。
通常我们建议每台站群服务器上执行的服务少一点，必要时可以增加站群服务器。如果你看到一台站群服务器上有三四十个监听埠开著，那还是做个记录，回头有空的时候清理一下，重新组织一下站群服务器。
六、 CPU 和内存
$ free -m
$ uptime
$ top
$ htop
注意以下问题:
还有空余的内存吗? 站群服务器是否正在内存和硬碟之间进行 swap?
还有剩余的 CPU 吗? 站群服务器是几核的? 是否有某些 CPU 核负载过多了?
站群服务器最大的负载来自什么地方? 平均负载是多少?
七、硬体
$ lspci
$ dmidecode
$ ethtool
有很多站群服务器还是裸机状态，可以看一下：
找到 RAID 卡 (是否带 BBU 备用电池?) 、 CPU 、空余的内存插槽。根据这些情况可以大致了解硬体问题的来源和效能改进的办法。
网络卡是否设定好? 是否正执行在半双工状态? 速度是 10MBps? 有没有 TX/RX 报错?
八、 IO 效能
$ iostat -kx 2
$ vmstat 2 10
$ mpstat 2 10
$ dstat –top-io –top-bio
这些命令对于除错后端效能非常有用。
检查磁碟使用量：站群服务器硬碟是否已满?
是否开启了 swap 交换模式 (si/so)?
CPU 被谁占用：系统程序? 使用者程序? 虚拟机器?
dstat 是我的最爱。用它可以看到谁在进行 IO： 是不是 MySQL 吃掉了所有的系统资源? 还是你的 PHP 程序?
九、挂载点 和 档案系统
$ mount
$ cat /etc/fstab
$ vgs
$ pvs
$ lvs
$ df -h
$ lsof +D / /* beware not to kill your box */
一共挂载了多少档案系统?
有没有某个服务专用的档案系统? (比如 MySQL?)
档案系统的挂载选项是什么： noatime? default? 有没有档案系统被重新挂载为只读模式了？
磁碟空间是否还有剩余?
是否有大档案被删除但没有清空?
如果磁碟空间有问题，你是否还有空间来扩充套件一个分割槽？
十、核心、中断和互联网
$ sysctl -a | grep …
$ cat /proc/interrupts
$ cat /proc/net/ip_conntrack /* may take some time on busy servers */
$ netstat
$ ss -s
你的中断请求是否是均衡地分配给 CPU 处理，还是会有某个 CPU 的核因为大量的互联网中断请求或者 RAID 请求而过载了？
SWAP 交换的设定是什么？对于工作站来说 swappinness 设为 60 就很好, 不过对于站群服务器就太糟了：你最好永远不要让站群服务器做 SWAP 交换，不然对磁碟的读写会锁死 SWAP 程序。
conntrack_max 是否设的足够大，能应付你站群服务器的流量?
在不同状态下 (TIME_WAIT, …)TCP 连线时间的设定是怎样的？
如果要显示所有存在的连线，netstat 会比较慢， 你可以先用 ss 看一下总体情况。
你还可以看一下 Linux TCP tuning 了解互联网效能调优的一些要点。
十一、系统日志和核心讯息
$ dmesg
$ less /var/log/messages
$ less /var/log/secure
$ less /var/log/auth
检视错误和警告讯息，比如看看是不是很多关于连线数过多导致？
看看是否有硬体错误或档案系统错误?
分析是否能将这些错误事件和前面发现的疑点进行时间上的比对。
十二、定时任务
$ ls /etc/cron* + cat
$ for user in $(cat /etc/passwd | cut -f1 -d:); do crontab -l -u $user; done
是否有某个定时任务执行过于频繁?
是否有些使用者提交了隐藏的定时任务?
在出现故障的时候，是否正好有某个备份任务在执行？
十三、应用系统日志
这里边可分析的东西就多了, 不过恐怕你作为运维人员是没功夫去仔细研究它的。关注那些明显的问题，比如在一个典型的 LAMP（Linux+Apache+Mysql+Perl）应用环境里:
Apache & Nginx; 查询访问和错误日志, 直接找 5xx 错误, 再看看是否有 limit_zone 错误。
MySQL; 在 mysql.log 找错误讯息，看看有没有结构损坏的表， 是否有 innodb 修复程序在执行，是否有 disk/index/query 问题.
PHP-FPM; 如果设定了 php-slow 日志, 直接找错误资讯 (php, mysql, memcache, …)，如果没设定，赶紧设定。
Varnish; 在 varnishlog 和 varnishstat 里, 检查 hit/miss 比. 看看配置资讯里是否遗漏了什么规则，使终端使用者可以直接攻击你的后端？
HA-Proxy; 后端的状况如何？健康状况检查是否成功？是前端还是后端的伫列大小达到最大值了？
结论
经过这 5 分钟之后，你应该对如下情况比较清楚了：
在站群服务器上执行的都是些啥？
这个故障看起来是和 IO/硬体/互联网 或者 系统配置 (有问题的程式码、系统核心调优, …) 相关。
这个故障是否有你熟悉的一些特征？比如对资料库索引使用不当，或者太多的 apache 后台程序。