台湾服务器出现Linux僵尸进程,如何查找父进程并判断是否需要处理?
登录一台台湾区域的 Linux 服务器后,如果在 top、监控面板或进程列表中看到 Z 状态、<defunct> 字样,不要先执行重启或 kill -9。僵尸进程通常已经退出,只是父进程尚未读取它的退出状态;它一般不会继续消耗 CPU,但会占用进程表中的一个条目。
判断是否需要处理,关键不在服务器所在地区,而在三个结果:僵尸进程数量是否持续增长、父进程是谁以及父进程是否仍在正常运行。可以先用 ps 找到僵尸进程的 PID 和 PPID,再检查父进程所属服务、日志和进程状态。单个短暂出现的僵尸进程通常可以观察;持续累积、影响 PID 数量或伴随业务异常时,才需要进入修复流程。
先确认看到的确实是僵尸进程
检查操作系统与命令环境
以下命令只读取系统信息,不会修改服务或进程:
cat /etc/os-release
uname -a
id
ps --version 2>/dev/null || ps --help | head
command -v pstree
command -v systemctl
常见 Debian、Ubuntu、Rocky Linux、AlmaLinux、CentOS 等发行版通常使用 procps 提供的 ps,支持 ps -eo 这类参数。如果服务器使用精简版 BusyBox,部分选项可能不兼容,此时应先根据 ps --help 确认参数,不要直接套用其他发行版命令。
基础排查通常不需要 root 权限。如果看不到其他用户进程的完整命令行,或者需要读取 journalctl、/proc 下受限内容,再使用具有相应权限的账号执行。
列出所有僵尸进程
优先执行:
ps -eo pid=,ppid=,stat=,user=,etime=,comm=,args= | awk '$3 ~ /^Z/ {print}'
字段含义如下:
PID:僵尸进程自身的进程号。PPID:当前父进程的进程号。STAT:进程状态,Z表示 Zombie。USER:进程所属用户。ETIME:进程从启动到当前的时间。COMMAND和ARGS:进程名称及启动参数。
例如,下面是用于说明判断方法的模拟输出,并非某台服务器的实测结果:
18472 18390 Z app 00:08:21 worker [worker] <defunct>
这里可以先得出三点:
- PID 为
18472的进程已经退出,但进程表记录还没有被回收。 - 当前父进程是
18390,后续应重点检查它。 ETIME已经达到 8 分钟,说明它不是刚刚产生的瞬时状态,但仍需要结合数量趋势判断严重程度。
如果没有任何输出,说明当前没有被 ps 捕获的僵尸进程,或者僵尸进程在执行命令的瞬间已经被父进程回收。进程状态变化很快,必要时可以间隔几十秒重复执行。
区分僵尸进程与其他异常状态
ps 中的状态字母不能混用:
| 状态 | 含义 | 是否等同于僵尸进程 |
|---|---|---|
Z | 进程已经退出,等待父进程回收 | 是 |
R | 正在运行或等待运行 | 否 |
S | 可中断睡眠 | 否 |
D | 不可中断睡眠,常见于磁盘或存储 I/O 等待 | 否 |
T | 已停止或被调试器暂停 | 否 |
D 状态进程不能按僵尸进程的方法处理。台湾服务器上的存储延迟、网络文件系统或磁盘故障可能导致 D 状态,但这属于另一条排查路径。
从系统影响开始判断紧急程度
确认有 Z 状态后,不要立即处理父进程。先确认僵尸数量和系统是否已经受到影响。
查看僵尸数量与进程总量
ZOMBIE_COUNT=$(ps -eo stat= | awk '$1 ~ /^Z/ {n++} END {print n+0}')
PROCESS_COUNT=$(ps -e --no-headers | wc -l)
PID_MAX=$(cat /proc/sys/kernel/pid_max)
printf 'zombie_processes=%s\n' "$ZOMBIE_COUNT"
printf 'visible_processes=%s\n' "$PROCESS_COUNT"
printf 'pid_max=%s\n' "$PID_MAX"
这些数字只能用于判断趋势,不能简单理解为“进程总数接近 pid_max 就一定无法创建进程”。Linux 的 PID 分配和进程、线程数量还会受到用户限制、容器限制以及系统资源影响。
可以同时查看负载和内存:
uptime
free -h
典型判断方式如下:
- 只有一个或少量僵尸进程,数量在几分钟内没有增长,业务和系统调用正常:通常不需要立即干预。
- 僵尸数量持续增加,尤其是每分钟或每次请求都增加:说明父进程可能没有正确执行
wait()或waitpid()。 - 僵尸数量已经达到几十、几百甚至更多,并且新进程创建失败、服务报错或进程数告警:应安排处理。
- 僵尸数量不多,但父进程是关键业务服务,且服务已经出现请求堆积、子进程创建失败或重启循环:即使数量不大,也不能只观察。
数量阈值没有适用于所有服务器的固定标准。拥有较多 PID 空间且业务进程较少的服务器,几十个僵尸可能暂时不影响运行;相反,进程限制较低的容器或共享环境,少量异常也可能较快触发限制。
观察数量是否持续增长
可以用低频、只读的方式采样:
for i in 1 2 3 4 5; do
printf '\n[%s]\n' "$(date -Is)"
ps -eo pid=,ppid=,stat=,user=,etime=,comm=,args= \
| awk '$3 ~ /^Z/ {print}'
printf 'count='
ps -eo stat= | awk '$1 ~ /^Z/ {n++} END {print n+0}'
sleep 30
done
如果五次采样都只有同一个 PID,或者旧 PID 消失后偶尔出现新的单个僵尸,问题可能是瞬时的。若数量从 2、5、9、15 持续上升,应转向父进程和应用服务排查。
通过 PPID 找到当前父进程
读取僵尸进程的 PPID
假设前面的结果中,僵尸进程 PID 是 18472:
ZPID=18472
PARENT_PID="$(ps -o ppid= -p "$ZPID" | awk '{print $1}')"
printf 'zombie_pid=%s\n' "$ZPID"
printf 'parent_pid=%s\n' "$PARENT_PID"
ps -p "$ZPID" -o pid,ppid,stat,user,etime,comm,args
ps -p "$PARENT_PID" -o pid,ppid,stat,user,etime,comm,args
可能得到类似下面的示例结果:
PID PPID STAT USER ELAPSED COMMAND COMMAND
18472 18390 Z app 00:08:21 worker [worker] <defunct>
PID PPID STAT USER ELAPSED COMMAND COMMAND
18390 2140 S app 01:26:04 supervisor /opt/example/bin/supervisor --workers 8
此时可以判断:
18390仍然存在,状态为S,说明父进程没有退出。- 父进程命令是
supervisor,需要继续确认它属于哪个服务。 PPID是当前父进程,不一定是最初启动该程序的根进程。如果中间父进程已经退出,僵尸进程可能已经被重新挂接到 PID 1。
如果僵尸进程在检查前已经被回收,ps -p "$ZPID" 可能没有输出,PARENT_PID 也会为空。这属于正常竞态,不代表命令失败。可以重新列出 Z 状态并立即执行检查。
查看进程树和父进程本身
如果系统安装了 pstree,可以执行:
pstree -aps "$ZPID"
-a 显示参数,-p 显示 PID,-s 显示从根进程到目标进程的父链。示例:
systemd(1)---supervisor(18390)---worker(18472)
也可以直接查看 /proc:
grep -E '^(Name|State|PPid|Uid):' "/proc/$ZPID/status"
grep -E '^(Name|State|PPid|Uid):' "/proc/$PARENT_PID/status"
readlink -f "/proc/$PARENT_PID/exe"
printf 'cmdline: '
tr '\0' ' ' < "/proc/$PARENT_PID/cmdline"
printf '\n'
对僵尸进程执行下面的命令时,/proc/18472/exe 读取失败并不奇怪:
readlink -f "/proc/$ZPID/exe"
因为僵尸进程的用户态程序已经结束,没有可执行映像可以读取。应把检查重点放在父进程的 /proc 信息上。
需要注意,PPID=1 并不意味着“可以直接处理 PID 1”。它可能表示:
- 原父进程已经退出,僵尸进程被重新挂接到系统初始化进程。
- 僵尸进程位于容器内部,容器内的 PID 1 是应用本身或一个简单启动脚本。
- 当前环境存在 PID 命名空间,宿主机和容器内看到的 PID 并不相同。
检查进程是否处于容器或其他 PID 命名空间,可以读取:
readlink "/proc/1/ns/pid"
readlink "/proc/$ZPID/ns/pid"
readlink "/proc/$PARENT_PID/ns/pid"
如果父进程就是宿主机或容器内的 PID 1,不要直接发送终止信号。PID 1 通常承担信号转发、子进程回收和服务启动职责,误操作可能导致整个环境退出。
从父进程定位到服务和日志
确认是否由 systemd 服务管理
先查看父进程的 cgroup:
cat "/proc/$PARENT_PID/cgroup"
在使用 cgroup v2 的系统中,可能看到类似结果:
0::/system.slice/example.service
这通常说明父进程属于 example.service。确认服务状态:
SERVICE=example.service
systemctl status "$SERVICE" --no-pager
systemctl show "$SERVICE" \
-p MainPID \
-p ControlGroup \
-p ActiveState \
-p SubState
重点核对:
MainPID是否与刚刚找到的父进程一致,或是否属于同一个服务的子进程。ActiveState是否为active。SubState是否为running。- 服务是否频繁重启,或者主进程 PID 已经变化。
如果 cgroup 中没有明确的服务名称,不要凭进程名猜测 unit。可以先查看父进程的启动命令、执行路径和用户,再结合服务部署记录确认归属。
读取近期日志:
journalctl -u "$SERVICE" --since "30 min ago" --no-pager
如果服务没有使用 systemd 日志,应查看应用自身的日志目录或日志系统。重点搜索以下类型的信息:
- 子进程创建失败。
fork、wait、waitpid或回收子进程失败。- worker 异常退出。
- 文件描述符、用户进程数或 PID 数量达到限制。
- 服务启动后反复拉起子进程。
可以单独查看父进程相关日志,但 PID 可能已经被复用,时间范围不能拉得过长:
journalctl _PID="$PARENT_PID" --since "10 min ago" --no-pager
如果父进程已经退出,按 PID 查询可能没有结果,应优先按服务名和时间查询。
检查是否是脚本、进程管理器或容器入口
父进程不一定是业务程序,也可能是:
- Shell 脚本启动的后台任务。
- Web 服务或任务队列的 worker 管理器。
- 自定义守护进程。
- 容器内的入口进程。
- 负责拉起子进程的监控程序。
如果父进程命令行中存在多个后台任务、启动脚本或自定义管理器,问题往往位于子进程回收逻辑。应用创建子进程后,需要通过 wait()、waitpid() 等机制读取退出状态,否则子进程退出后就会暂时保留为僵尸。
容器场景尤其需要检查容器内的 PID 1 是否具备回收子进程的能力。不要因为宿主机上看到一个 <defunct> 就直接重启整台台湾服务器;应先确认它属于哪个容器、哪个服务以及是否会影响业务。容器重启也会中断该容器内的连接和任务,处理方式应遵循现有发布或容灾流程。
针对台湾服务器上的长期运行服务与容器化应用,A5idc数据提供台北物理服务器,覆盖不同CPU、存储及优化或国际线路配置。独立的计算与存储资源可用于部署业务程序、运行多进程任务并保存服务日志,为按服务和容器边界管理应用提供基础设施支持。
根据结果决定是否处理
可以按下面的分支判断:

| 观察结果 | 可能含义 | 建议 |
|---|---|---|
只有一个或少量 Z,数量稳定,父进程正常 | 偶发子进程退出,父进程可能稍后回收 | 记录 PID、PPID 和时间,持续观察 |
Z 数量持续增长,父进程长期存在 | 父进程可能没有正确调用 wait 或处理子进程退出信号 | 检查应用日志、版本和子进程管理逻辑 |
| 父进程属于可重启的业务服务,且业务允许短暂中断 | 服务内部状态可能已经异常 | 在维护窗口执行服务级重启,随后复测 |
| 父进程是容器内 PID 1 | 容器入口程序可能没有回收子进程 | 按容器部署流程修复入口或进程管理方式 |
| 父进程是宿主机 PID 1 或关键系统组件 | 可能涉及系统初始化或命名空间问题 | 不要直接终止 PID 1,先扩大日志和环境检查 |
| 僵尸数量大幅增加,并伴随新进程创建失败 | PID 或进程资源可能接近上限 | 按紧急故障流程处理,先保障业务和可用容量 |
ps 中状态很快消失,重复检查无固定 PID | 父进程及时完成了回收 | 通常无需干预 |
最重要的一点是:不要尝试直接“杀掉”僵尸进程。
kill -9 18472
对已经退出的僵尸进程,SIGKILL 不会让它再次退出,因为它本来就已经退出。命令可能返回成功,也可能因为进程刚好被回收而提示找不到进程,但这不代表问题得到解决。真正需要修复的是仍然存在的父进程回收逻辑。
需要修复时,优先选择服务级操作
systemd 服务的低影响处理方式
只有在以下条件都满足时,才考虑重启服务:
- 已确认 unit 名称和父进程归属。
- 已确认该服务允许重启,或者已经进入维护窗口。
- 已评估连接中断、任务中断和未落盘数据风险。
- 数据库、队列或文件写入类服务已经完成必要备份或具备恢复机制。
- 已记录当前 unit 配置、版本和启动参数,便于失败后恢复。
服务重启可能中断现有连接,并不等同于根因修复。执行前可以先记录状态:
SERVICE=example.service
systemctl status "$SERVICE" --no-pager
systemctl cat "$SERVICE"
systemctl show "$SERVICE" \
-p MainPID \
-p ExecStart \
-p ActiveState \
-p SubState
确认无误后,再执行:
systemctl restart "$SERVICE"
systemctl is-active "$SERVICE"
systemctl status "$SERVICE" --no-pager
这里的成功标准不是只有 systemctl 返回成功,还包括:
- 服务状态为
active (running)。 MainPID已重新生成或恢复正常。- 业务健康检查通过。
- 新的僵尸进程不再持续产生。
- 旧的僵尸进程数量下降或被回收。
如果重启失败,先查看日志,不要连续重复重启:
journalctl -u "$SERVICE" -n 100 --no-pager
systemctl status "$SERVICE" --no-pager
如果之前修改过 unit 文件或应用配置,应恢复已备份的稳定版本,再执行必要的 systemctl daemon-reload,最后使用 systemctl start "$SERVICE"。服务重启本身没有“撤销”操作,已经中断的请求和未提交任务无法通过命令恢复,因此回滚主要依赖旧配置、备份数据、任务重试和流量切换机制。
非 systemd 父进程的处理边界
如果父进程由应用自己的启动脚本或管理工具维护,应优先使用该程序提供的停止、重载或重启方式。不要仅凭进程名执行终止操作。
确实需要手工终止时,至少先重新核对 PID、用户和完整命令行:
PARENT_PID=18390
ps -p "$PARENT_PID" -o pid,ppid,stat,user,etime,comm,args
确认不是 PID 复用、不是 PID 1、不是数据库或其他关键系统进程,并且已经完成维护确认后,才可以考虑先发送可处理的终止信号:
kill -TERM "$PARENT_PID"
sleep 5
ps -p "$PARENT_PID" -o pid,ppid,stat,user,etime,comm,args
SIGTERM 可能导致父进程及其管理的子进程停止,影响范围取决于应用结构。应提前确认流量是否已切走、任务是否可重试、数据是否已保存。SIGKILL 不给应用清理资源的机会,也无法回滚,不应作为常规解决方案:
kill -KILL "$PARENT_PID"
只有在父进程已明确失控、优雅停止无效并且已经按照故障流程批准时,才考虑最后手段。若父进程属于关键服务,优先使用服务管理器、故障转移或平台提供的受控操作。
需要从代码或版本层面修复的情况
如果每次业务请求、定时任务或 worker 退出都会产生新的僵尸进程,服务重启只能暂时清空现象,根因通常在程序的子进程管理逻辑。
开发或维护人员应重点检查:
- 创建子进程后是否调用了
wait()或waitpid()。 - 是否正确处理
SIGCHLD。 - 子进程批量退出时,父进程是否循环回收所有已结束子进程。
- 进程管理器是否同时启动了多个后台任务,却没有等待它们结束。
- 容器入口程序是否能承担 PID 1 的信号转发和子进程回收职责。
- 升级后的 worker、脚本解释器或进程管理器是否改变了退出行为。
如果必须观察父进程是否正在执行回收系统调用,可以把 strace 作为最后的短时诊断工具,而不是第一步操作:
timeout 10s strace -p "$PARENT_PID" \
-e trace=wait4,waitid \
-o "/tmp/parent-${PARENT_PID}-wait.trace"
该操作需要相应权限,附加调试器时可能短暂影响目标进程,在高并发生产服务上应谨慎使用。没有看到 wait4 或 waitid 不一定能直接证明程序有 bug,父进程可能在采样时间内没有子进程退出,或者回收逻辑位于其他线程、库或管理层中。诊断文件也可能包含进程信息,使用后应按服务器日志和临时文件管理规范处理。
修复后的复测与持续观察
完成服务重启、容器调整或代码修复后,按同一组指标复测,不要只看服务是否重新启动:
ps -eo pid=,ppid=,stat=,user=,etime=,comm=,args= \
| awk '$3 ~ /^Z/ {print}'
ps -eo stat= | awk '$1 ~ /^Z/ {n++} END {print "zombie_count=" n+0}'
uptime
free -h
建议至少完成以下检查:
- 立即确认原僵尸 PID 是否已经消失,或者是否仍有同一父进程产生新的僵尸。
- 连续采样数分钟,确认
zombie_count不再持续上升。 - 检查服务日志,确认没有新的子进程退出、回收失败或进程数限制错误。
- 执行应用健康检查,确认请求、任务消费、定时任务和后台 worker 正常。
- 如果问题与容器或服务重启有关,确认重启策略没有形成反复拉起循环。
- 将 PID、PPID、服务名称、发生时间和处理动作记录到故障记录中,便于后续对比。
一个长期稳定的结果不是“执行过一次 kill”,而是僵尸数量保持为零或稳定在可解释的低水平,父进程能够正常回收子进程,业务指标也没有出现新的异常。对台湾服务器而言,地域、机房时区和远程连接方式不会改变 Linux 僵尸进程的判断标准;真正需要持续关注的是父子进程关系、服务边界和数量变化趋势。
本文由A5数据原创发布,转载请注明出处:https://www.a5idc.com/helpcontent/7338.html



