最近有朋友和小 y 反馈:
创新互联公司长期为成百上千家客户提供的网站建设服务,团队从业经验10年,关注不同地域、不同群体,并针对不同对象提供差异化的产品和服务;打造开放共赢平台,与合作伙伴共同营造健康的互联网生态环境。为石嘴山企业提供专业的网站建设、网站设计,石嘴山网站改版等技术服务。拥有10年丰富建站经验和众多成功案例,为您定制开发。
他们的一台 IBM 的 X86 服务器(现在属于联想)出现硬件损坏,维护人员通过管理口收集诊断日志给厂商时,服务器上运行的好好的一套 ORACLE 11.2 的 RAC 数据库,
突然有一个节点重启了 .. 这是是什么情况 ?
听到这里,小 y 基本上猜到了原因,类似的问题,以前分析和处理过几次,分析过程也不复杂, 但是没想到,类似的故障现在居然还在发生 .
因此有必要把这个 风险提示出来 !
这里,小 y 为大家分享一个过去处理的案例 , 文章最后会给出 X86 服务器与 RAC 结合的具体的风险提示,希望大家早了解,早预防,避免踩坑,伤人伤己。
问题来了!!
周五,晚上十一点,电话响了,是一位服务商的电话,看来出大事了,一下来了精神;
“小y,一套linux上的11.2.0.3 2节点的RAC, 节点2数据库今天下午自己重启了一次,后来自己起来了。 几个小时前,又挂了,到现在还没起来! 两个节点私网IP互相ping了一下,可以ping通! 你赶紧远程连上来处理下吧” |
BTW:
是的,大家没看错,是服务商而不是最终客户的电话。
小y所在的公司不仅直接面向客户提供数据库专家服务,也为其他服务商、软件开发商提供三线支持,不过小y最近业绩压力大的晚上睡不着觉,还请各位兄弟多多帮忙推荐和介绍啊。
分析与恢复故障
时间紧急,远程连入后,发现节点 2 确实挂掉了,那就直接 startup 启动数据库看看
照理来说,startup命令下去后,这里很快就可以看到SGA分配并启动到mount的信息,
但命令下去已经一分钟了,还没任何输出,确实不妙。
最终,startup命令在敲入后长时间依然无响应,大概10分钟后后报ORA-03113错误后退出。
如下图所示:
看来,数据库启动过程中遇到了异常,需要继续分析alert日志。
截取altert日志关键信息,如下图所示:
可以看到:
由于节点 2 的 Lmon 进程通过 ipc 与节点 1 的 LMON 进程通讯超时,简单来说,两个节点的 RAC 无法通讯,因此无法加入集群。因此需要进一步检查两个节点的私网通讯是否正常。
之前他们提到两个节点的私网 IP 是可以 ping 通的,我估计他们是 ping 错 IP 了。
因为,从 11.2.0.2 (含)开始, ORACLE 私网通讯不再直接采用“我们在私网网卡上所配置的地址(例如 192.168 这样的地址)”,而是采用 GRID 启动后, ORACLE 在私网网卡上绑定的 169.254 这个网段的地址。确认了一下,他们果然 ping 的是 192.168 这个 IP ,这个 IP 能 PING 通是不够的 …
发出下列命令获得,两个节点私网通讯采用的 IP 地址如下所示:
也就是说, RAC 两个节点用于私网通讯的真实地址是:
节点 1 采用的私网通讯地址是 169.254.220.75 ,而不是 192.168.x.x
节点 2 采用的私网通讯地址是 169.254.106.133 ,而不是 192.168.x.x
也就是说, GRID 启动前后的 IP ,如下所示:
Node1 |
Node2 |
备注 |
|
Bond0 |
192.168.1.1 |
192.168.1.2 |
GRID 启动前、启动后都存在的 IP |
Bond0:1 |
169.254.220.75 |
169.254.106.133 |
GRID 启动后才存在的 IP RAC 和 ASM 通讯使用 |
从上图可以看到:
两个节点之间互相 ping 不通 169.254 这个实际的私网通讯地址!这就是为什么节点 2 的数据库实例加不到集群的原因!
到这里,我们不妨用一张表表格小结一下:
其中 bond0 是私网网卡, 192.168 是手工配置的, 169.254 这个 IP 是 GRID 起来后绑上去的:
Node1 |
Node2 |
||
Bond0 |
192.168.1.1 |
192.168.1.2 |
可以互相 ping 通 |
Bond0:1 |
169.254.220.75 |
169.254.106.133 |
互相 ping 不通 |
这是什么情况呢?
其实很简单,别着急,问题原因就在后面,什么时候往下翻,由你决定…
……
……
……
……
……
……
……
……
……
……
……
……
……
……
……
……
那是什么原因导致两个地址不通呢?
我们进一步检查两个节点的路由情况,发现了异常。如下所示
检查,发现节点 1 上的私网路由丢失,导致两个节点之间的私网无法正常通讯,继而无法正常加入集群。
而节点 2 上是存在 169.254 这个路由的!
在节点 1
#route add -net 169.254.0.0 netmask 255.255.0.0 dev bond1
在节点 1 上实施该解决方案后,节点 2 数据库实例启动正常,问题得到解决。
到这里,有同学说, 可以不可以把两个节点的 GRID 全部停掉,全部重启来恢复呢 ? 答案是 yes ! |
因为重启 GRID ,会重新在 bond0 绑 169.254 这个 IP ,同时添加 169.254.0.0 这个路由
2016-06-02 23:05:47.457:
[crsd(10403)]CRS-2772:Server 'node2' has been assigned to pool 'ora.RACDB'.
2016-06-03 19:36:48.517:
[/oracle/app/11.2.0.3/grid/bin/orarootagent.bin(8641)]CRS-5018:(:CLSN00037:)
1)
19:36:25,
节点
1 USB0
网卡被分配
169.254.95.120
这个
IP 2)
19:36:48,
节点
1 orarootagent
进程发现
USB0
上分配的
169.254 IP
与
RAC
集群通讯的
IP
冲突后删除
169.254
的路由
,导致两个节点
RAC
无法通讯 3)
19:41:24,
节点
2
报
IPC
通讯超时,被驱逐出集群 4)
由于节点
1
的
169.254
的路由丢失,导致节点
2
无法与节点
1
通讯,一直无法加入集群 5)
手工对节点
1
增加
169.254
的路由后,问题解决
不难看出来,这个行为是正常的行为! 我们以“
Removed unused HAIProute: 169.254.95.0
”作为搜索关键字,在
METALINK
上查找,
MOS
上的下面文章也介绍了这个行为,推测得到验证。 Oracle RAC H/A Failure Causes Oracle Linux Node Eviction On Server With IBM Integrated Management Module (IMM) (文档 ID 1629814.1)
风险提示
在部署了
ORACLE11.2.0.2
或以上的版本中 由于集群的
ASM
和
DB
使用
169.254.x.x
作为集群私网通讯的
IP 【
GRID
启动后在私网网卡绑定
169.254.x.x
这个
IP
并添加
169.254.0.0
的路由】
目前已知的情况中,
IBM X86
服务器装完操作系统后,存在
USB0
这样一块网卡,这个网卡是用来和
IMM
通讯的,
IMM
是服务器的管理口,通过
USB
网络的
LAN
进行硬件管理。
当
USB0
网卡被激活时,将分配
169.265.95.120
(
118
)这个
IP
,将导致
RAC
集群路由被破坏,继而导致
DB/ASM
无法通讯而重启
/
节点驱逐的故障
,
#cat /var/log/messages*|grep dhclient |grep "bound to 169.254" 如有,则进入预防环节 2
)
发出下列命令,检查系统是否当前存在非
RAC
私有网卡被分配
169.254
这个网段的
IP
# ifconfig -a .. usb0
Link encap:Ethernet HWaddr XX:XX:XX:XX:XX:XX
# vi
# /sbin/ifdown usb0 # /sbin/ifup usb0 # /sbin/ifconfig usb0 本文转载于中亦安图
网站名称:这么用X86,小心ORACLE+RAC中招--技术人生系列第四十一期-我和数据中心的故事
URL分享:http://cdkjz.cn/article/gejdii.html