服务器调试和家用电脑调试完全是两个工种。家用电脑出问题，大不了重启、重装、送修；服务器出问题，业务跟着断，很多操作不可逆，而且人往往不在机房边上，隔着一条远程连接操作，一个手滑就能把自己锁在门外。带过几个刚接手服务器的同事，把最容易吃亏的地方和排查套路整理一下。

一、接手一台服务器，先摸清三条命脉
第一条是带外管理口，戴尔的 iDRAC、惠普的 iLO 或者通用 IPMI，先把它的地址、账号确认好——系统挂死的时候，只有这条路能进；第二条是电源和 RAID 状态，开机进 RAID 卡看一眼阵列是不是 Optimal，有没有降级重建，别带着隐患跑业务；第三条是固件版本，太老的固件翻车率高，但升级固件本身就是高风险操作，要在业务窗口做、做好失败回退准备。

二、远程操作的保命习惯
这是服务器调试和本地调试最大的区别。改 SSH 配置或者防火墙规则之前，先开第二个会话，旧连接别断，新规则确认能连上再退出旧会话；长耗时命令一律放在 tmux 或者 screen 里跑，SSH 一断任务就没了这种事谁都遇到过；高危操作前先拍快照或者确认备份可恢复，”备份没验证过等于没有备份”；再有就是把操作记录下来，改了什么、几点改的、怎么回滚，三行字能救一次夜班。

三、性能排查的五件套
负载高先看负载平均值和 CPU 百分比的关系，负载均值远高于核数、CPU 却不忙，多半是在排队等磁盘，这时候盯着 CPU 找问题是白费劲；内存看 available 而不是 free，Linux 会把空闲内存拿去做缓存，free 很小不代表内存不够；磁盘用 iostat 看利用率和等待时间，两个数一起高才是真瓶颈；vmstat 里 si、so 持续不为零说明在换页，内存已经吃紧；最后翻 dmesg 和日志，被内存保护机制杀掉的进程、硬盘报错、网卡丢包，全都在里面留着证据。

四、几个高频坑
一是进程莫名其妙消失，多半是被内存不足保护机制杀的，日志里搜一下就能确认，解决方向是加内存、限制应用内存或者加交换分区并调低主动杀进程的倾向；二是磁盘突然变慢，先查 RAID 是不是在后台重建，再看硬盘健康度，机械盘大量重映射扇区就是要挂的前兆；三是服务器时间不对，证书验证失败、日志对不上号都是它，把时间同步服务配好并且确认时区；四是连接数耗尽，服务看起来活着就是不响应，用连接统计工具数一下句柄，把文件句柄上限和应用端的连接复用调好。

五、调试纪律：先观察，再动手
服务器上的很多”优化”是把双刃剑，改内核参数、换调度器这类操作，没搞清楚机制之前别在跑业务的机器上做。正确的节奏是：先把现象和指标记录下来，在测试机复现，验证有效再上线，一次只改一个变量。改完没变化要回滚，别堆叠多个变更到最后分不清哪个起作用。

说到底，服务器调试拼的不是背命令，是习惯：入口永远留两条，操作永远可回滚，判断永远看证据。你们第一次接手服务器时踩过什么坑？有没有把自己锁在门外的经历，评论区聊聊。