一、问题背景

某日袋鼠云运维小哥进行例行运维巡检，通过监控视图发现客户应用服务器cpu使用率突然呈上升趋势。通过专属服务群第一时间与业务方联系，与业务方确认是否有正在执行的定时任务，或者大范围拉取账单等业务操作。然而仔细分析了业务日志后，确认当时业务上并没有进行会消耗大量计算资源和网络资源的操作。

 

二、异常现象

随着时间推移，运维人员收到不同应用系统主机系统资源占用过高的告警通知，但客户反馈业务上并没有受到明显影响，且处于业务低峰期。

进一步分析排查，发现异常实例cpu使用率，负载，网络流量，磁盘IO，TCP连接数都先后出现上升趋势，现象如下图：

CPU使用率：持续10分钟维持在90%

系统平均负载：平均1分钟负载超过25

网络流量：持续10分钟高于日常水平

磁盘IO：每秒写入的字节数迅速上升

TCP 连接数：established连接数持续10分钟上升

 

三、异常分析

1) 在排除业务上并没有相关的异常操作后，运维人员进一步分析了系统是否有受到外部***。通过阿里云云盾安全产品，确认基线检查及流量检测并无异常，业务入口SLB流入流出流量也呈正常趋势，可以排除受到外部***的可能。

2) 运维人员登录机器继续排查，连接服务器间接出现请求被拒绝的情况，提示connection reset by peer错误信息。

成功登入机器后发现有大量ssh登入链接。

大量的sshd进程引起cpu占用过高。

 

四、异常处理

经过上述分析，与业务方确认ssh 连接客户端是否为内部系统IP地址，最终定位异常实例被内网其他机器恶意破解，进行非法访问***。运维人员第一时间对异常实例进行恢复操作，包括关闭已建立的连接，清除可疑执行程序，修改sshd服务默认端口，重置服务器登录密码，调整安全组访问策略，检查服务器是否有其它后门等一些列安全加固操作后，主机性能恢复正常。

 

五、案例总结

从服务器安全防护的角度出发，应将业务部署在云上隔离的网络环境，并修改默认远程服务监听端口，按需开放安全组访问限制。如果业务部署早期未做相关规划，建议尽快迁移经典网络下的服务器到专有网络环境，同时需要定期对服务器进行体检及安全检查，以确保服务器安全。

---

本文首发于：数栈研习社

数栈是云原生—站式数据中台PaaS，我们在github上有一个有趣的开源项目：FlinkX。FlinkX是一个基于Flink的批流统一的数据同步工具，既可以采集静态的数据，比如MySQL，HDFS等，也可以采集实时变化的数据，比如MySQL binlog，Kafka等，是全域、异构、批流一体的数据同步引擎，大家如果有兴趣，欢迎来github社区找我们玩~