一、日常巡检：把问题消灭在萌芽
服务器运维的第一步就是建立一套扎实的日常巡检机制。我们建议每天至少花5分钟检查核心指标：CPU负载、内存使用率、磁盘空间与IO、网络流量以及系统日志。使用top、free -h、df -h和iostat等命令快速扫描，同时关注dmesg和/var/log/messages是否有硬件报警或异常。对于多台服务器，可以借助Ansible或自定义脚本批量采集数据，生成统一报表。另外，别忘了检查inode是否用尽（df -i），很多时候磁盘空间未满但无法创建文件就是因为inode爆了。一旦发现磁盘使用率超过80%，应立即分析大文件或日志，并配置日志轮转（logrotate）或临时清理。内存方面，buff/cache过高时可以用sync && echo 3 > /proc/sys/vm/drop_caches手动释放，但更推荐调整内核参数或增加swap分区。CPU长期居高不下，则需通过top -c找到具体进程，结合strace或perf分析热点代码。
二、常见故障排查：从卡顿到崩溃的全流程解法
服务器开机卡顿的原因很多，最常见的是磁盘挂载超时、服务启动冲突或系统自检（如fsck）。检查/var/log/boot.log和dmesg定位耗时点。若是磁盘满或文件损坏，建议进入单用户模式修复。对于进程异常，比如出现大量僵尸进程，父进程未正确wait，可以kill -SIGCHLD父进程或重启相关服务。如果发现容器启动失败，优先查看docker logs和docker inspect，端口映射冲突常见于未释放已占用的端口。系统日志乱码通常是因为字符集设置错误，修改/etc/locale.conf或环境变量LANG即可。服务器端口被系统拦截，排查SELinux（getenforce）和firewalld/iptables规则，必要时临时关闭测试。时区时间校准使用timedatectl或ntpdate，多服务器集群务必统一NTP服务。命令无法执行，检查文件权限、上下文（SELinux）以及命令是否被移除或重命名（command not found常见于PATH缺失）。
三、安全加固：从SSH到Web防护的全方位守护
安全是运维的底线。首先，修改SSH默认端口，禁止root直接登录，使用密钥认证替代密码。配置Fail2Ban或DenyHosts自动封禁暴力破解IP。其次，网站方面，启用WAF（如宝塔防火墙或ModSecurity），限制上传目录执行权限，关闭危险PHP函数（如exec、system）。定期查杀木马（使用clamscan或宝塔整站扫描）。服务器漏扫推荐使用Nikto或Nessus，补丁更新应制定计划，先测试后上线。针对DDoS/CC攻击，可以上CDN或配置iptables限速，封禁恶意IP段。容器环境不要以root运行，使用非root用户并限制capabilities。多服务器统一使用堡垒机审计操作日志，留存不少于6个月。域名方面，开启DNSSEC和隐私保护，定期检查证书到期并自动续签（Certbot）。
四、现代运维工具：面板、容器与自动化
面对成百上千台服务器，手工操作已不现实。主机面板（如宝塔、1Panel）提供了图形化运维能力：一键部署环境、定时备份、SSL证书、防火墙规则、PHP多版本切换等。但要注意面板本身也可能有漏洞，需及时更新。对于更复杂的场景，Docker和Kubernetes已成为标配。Docker容器启动失败时，检查镜像、端口映射、数据卷权限。容器日志过大可通过–log-opt max-size=10m限制，或配置logrotate轮转。K8s节点资源不足，调整Pod的requests和limits，或使用Node Affinity、Taints/Tolerations合理调度。监控体系推荐Prometheus + Grafana + Alertmanager，收集节点、容器、应用指标，设置告警规则（CPU超80%、磁盘超90%等），并接入钉钉、企业微信或电话通知。自动化运维则依靠Ansible、Jenkins、Shell脚本实现批量部署、配置同步、代码上线和灾备恢复。备份必须遵循“3-2-1”原则：至少3份副本，2种不同介质，1份异地存放。
五、总结：持续改进，构建运维闭环
Linux服务器运维是一门实践性很强的工作，没有“银弹”。我们需要建立标准操作流程（SOP），将每一次故障都记录下来，形成知识库；定期复盘，优化巡检项和自动化脚本。同时关注成本优化：闲时关闭闲置机器、合理升降配云主机、利用CDN减少源站带宽。最终，目标是让运维变得“无人值守”，但又有兜底能力。记住：最成功的运维，是让业务方感受不到运维的存在。