提到服務(wù)器宕機(jī)檢測(cè)，大家會(huì)想到，宕機(jī)能夠很快知道，這個(gè)有什么可做的？實(shí)際上，很多時(shí)候服務(wù)器宕機(jī)，并不總是被及時(shí)感知。服務(wù)器宕機(jī)，ping或者ssh這是最簡(jiǎn)單的做法，但真正的工程實(shí)踐，沒(méi)這么簡(jiǎn)單。

　　想要獲知服務(wù)器宕機(jī)怎么辦？可以通過(guò)服務(wù)器宕機(jī)實(shí)時(shí)檢測(cè)：

　　1）發(fā)現(xiàn)宕機(jī)。

　　2）提前告警。

　　3）告知宕機(jī)的詳細(xì)原因，如硬件故障，內(nèi)核bug，網(wǎng)絡(luò)異常等等。

　　4）自動(dòng)報(bào)修生成工單。

　　我們知道，進(jìn)行全網(wǎng)物理機(jī)宕機(jī)準(zhǔn)確探測(cè)與實(shí)時(shí)發(fā)現(xiàn)，可以給宕機(jī)分析提供現(xiàn)場(chǎng)，獲取現(xiàn)場(chǎng)的移動(dòng)學(xué)習(xí)日志。也可以盡早將宕機(jī)數(shù)據(jù)推送給業(yè)務(wù)或運(yùn)營(yíng)感知并處理，如自動(dòng)報(bào)修，業(yè)務(wù)遷移等，從而盡可能將業(yè)務(wù)影響降低。

　　更重要的是，準(zhǔn)確的宕機(jī)發(fā)現(xiàn)數(shù)據(jù)可以為宕機(jī)預(yù)測(cè)提供準(zhǔn)確的標(biāo)注數(shù)據(jù)，為后期宕機(jī)預(yù)測(cè)提供數(shù)據(jù)基礎(chǔ)，并且這些數(shù)據(jù)提供給運(yùn)營(yíng)部門(mén)進(jìn)行整體分析，提升處理效率。

　　那么，如何可以準(zhǔn)確發(fā)現(xiàn)宕機(jī)，減少誤報(bào)呢？我們可以有以下操作，比如：

　　心跳源檢測(cè)異常

　　顧名思義，通過(guò)心跳源，初步發(fā)現(xiàn)異常。通常心跳變化會(huì)有三類(lèi)消息，update消息，delete消息和insert消息。心跳邏輯在于，正常情況下SA服務(wù)端與NC建立長(zhǎng)連接，每數(shù)秒緩存一次心跳，每幾分鐘打包上報(bào)一次，但當(dāng)NC異常時(shí)，長(zhǎng)連接感知后，立即上報(bào)異常，并修改路由表。所以心跳異常做到秒級(jí)感知。

　　update消息，在有心跳發(fā)生變化情況下都會(huì)有，心跳異常和心跳恢復(fù)正常時(shí)都會(huì)發(fā)起，是主要的心跳來(lái)源。

　　delete消息，在心跳異常，并且SA判斷ping不通，且ssh不通情況下發(fā)起，刪除該條消息，避免延遲太長(zhǎng)。

　　insert消息，在新增加機(jī)器， 或者重裝后重新上位的機(jī)器發(fā)起，該消息對(duì)宕機(jī)發(fā)現(xiàn)價(jià)值不大，配合uptime使用。

　　心跳源檢測(cè)任務(wù)邏輯，主要是監(jiān)聽(tīng)并緩存uptime消息，同時(shí)避免時(shí)間窗內(nèi)多次消息沖突，導(dǎo)致信息被覆蓋。