一、问题背景

一天下午，大家都在忙着各自的事情，突然小组人员都同时收到了短信提醒，以为是公司发奖金了，很是开心，咋一看 “某某客户服务器 cpu 使用率 100%，请及时处理！” 原来是告警短信，同时看到钉钉群里发出了大量的告警信息……

二、故障回顾

告警提示”CPU 使用率到达 98%” ，打开阿里云控制台，通过云监控发现在下午 15:06-16:46 左右，云上机器某四台集群服务器 cpu 使用率波动较大（先降后升），负载过高，网络流量达到一定峰值就出现下降趋势，TCP 连接数先是出现下降趋势，后面出现上升状态。现象如下图：

CPU 先降后升使用率情况：使用率接近 100%

系统平均负载先升后降情况：load 超过 40

网络流入流量：网络带宽流入流出先降后升

TCP 连接数情况：先升后降

三、问题排查过程

1) nginx 日志排查

查看 nginx15:06-16:46 时间段的日志发现请求订单接口响应时间较长，超过 30s。如下图：

2) 查看 fpm-php 日志

查看 fpm-php 日志，在 15:06-16:46 这个时间段中，fpm-php 子进程出现大量重启，如下图：

同时，nginx 错误日志中发现较多的 502,504 状态码，如下图：

Nginx 502 状态码：

Nginx 504 状态码：

3) 问题定位分析

a. 从 fpm-php 对应的日志里发现大量的 fpm-php 子进程重启，原因是每个子进程接受的请求数达到设定值。

b. 在大量的 fpm-php 子进程重启过程中，如果有大量请求进来是无法响应的，所以 Nginx 收到大量的 502、504 报错。

c. 同时在大量的 fpm-php 重启时会消耗大量的 CPU load， PHP 不接受业务请求、不转发数据，服务器流量直线下降。

4) 处理结论

经过上述分析，最终定位确认是 fpm-php 子进程数配置太低，同时每个子进程接受的请求数 max_requests 设置太小。无法应对每天的流量高峰。

四、优化建议

根据服务器的 CPU / 内存配置，适当增加 children 的数量和 max_requests 的请求数。如下图，设置一个比较大的值。

五、优化效果

1）增加 fpm-php 子进程数以及每个子进程接收的请求能减少 php 子进程大量重启频次；

2）可缓解业务高峰期对服务造成的压力，降低业务影响。

六、写在最后

基于互联网在线化方式，袋鼠云为客户提供云上网络和资源规划、应用架构规划、性能优化、监控告警、系统健康检查、业务大促护航、云上安全运营等全方位的专业运维服务，保障客户业务系统在云上稳定运行。

想了解或咨询更多有关袋鼠云大数据产品、行业解决方案、客户案例的朋友，浏览袋鼠云官网：https://www.dtstack.com/?src=bbs

同时，欢迎对大数据开源项目有兴趣的同学加入「袋鼠云开源框架钉钉技术群」，交流最新开源技术信息，群号码：30537511，项目地址：https://github.com/DTStack