运维不是擦屁股 是预防医学
很多郑州企业的服务器运维模式是坏了再修，这跟不装杀毒软件等中了毒再重装系统一个道理。真正该做的运维是日常巡检，在问题爆发之前就把它摁住。
高新区一家做SaaS的公司，之前没有专职运维，就是开发兼职管服务器。有一次磁盘满了导致数据库写不进去，丢了8小时的数据。老板急了，招了个运维，按清单每天巡检。一年下来，非计划停机时间从之前的年均40小时降到了不到2小时。
系统层面检查项
第一项，磁盘空间。每天看一次df命令，磁盘使用率超过80%就要清理。常见吃磁盘的东西：日志文件、临时文件、数据库备份。配置logrotate做日志轮转，保留最近30天即可。
第二项，内存和swap使用情况。free命令看内存使用，swap被大量使用说明物理内存不够了，要加内存或者优化应用。第三项，CPU负载。uptime看load average，单核机器负载超过1就要注意了，多核机器负载超过核数就是过载。
第四项，系统更新。每周检查一次安全补丁，安全补丁及时打，功能补丁看情况。别全部一股脑更新，生产环境翻车的案例多了去了。第五项，时间同步。保证服务器时间准确，时间偏差超过几分钟会导致日志分析困难、SSL证书验证失败、数据库主从同步异常。
服务层面检查项
第六项，Web服务状态。检查Nginx的worker进程数、连接数、错误日志。error.log里如果出现大量的502、504，说明后端服务有问题。第七项，数据库状态。MySQL看慢查询日志、连接数、主从同步延迟。慢查询超过1秒的SQL要优化索引或者改写。
第八项，PHP-FPM进程状态。看进程数是否到达max_children上限，如果到了说明并发量大，需要调大配置或者优化代码。第九项，Redis内存使用率，超过80%就要清理或者扩容。
第十项，SSL证书有效期。这事儿最容易忘，证书过期网站就打不开了，而且浏览器会报安全警告。设置一个监控，证书到期前30天发通知。
安全和备份检查项
第十一项，SSH登录日志。last和lastb命令看登录记录，有没有异常IP尝试登录。fail2ban的ban列表也看一下，如果某个IP被反复ban说明有人在爆破你的密码。
第十二项，防火墙规则。定期看一次，确认没有多余的开放端口。有时候开发为了调试临时开了个端口，调完忘了关，这就是安全隐患。
第十三项，数据库备份。备份不仅要备份，还要验证能不能恢复。每月做一次恢复演练，把备份文件恢复到测试环境，跑一遍看看数据完整性。郑州管城区一家公司备份做了两年从来没验证过，真要恢复的时候发现备份文件是坏的，两年的备份白做了。
第十四项，网站文件完整性。用md5sum给关键文件做校验基线，定期对比有没有被篡改。万一被黑了，你能快速知道哪些文件被动过。第十五项，运维日志记录。每次巡检发现问题、处理过程、处理结果都记下来，形成运维知识库。
说白了运维就是干这些琐碎的事。但就是这些琐碎的事，做好了服务器一年不宕机，做不好三天两头出故障。15项检查，每天花20分钟，比出了故障加班一整夜强百倍。别被忽悠了去买什么智能运维平台，基础巡检做到位比啥都强。