更新时间:2023-03-17 GMT+08:00

ALM-18003 NodeManager不健康

告警解释

系统每30秒周期性检测不健康NodeManager节点,并把不健康节点数和阈值相比较。“不健康的节点数”指标默认提供一个阈值。当检测到“不健康的节点数”的值超出阈值时产生该告警。

用户可通过选择“集群 > 待操作集群的名称 > 服务 > Yarn > 配置 > 全部配置”,修改

“yarn.nodemanager.unhealthy.alarm.threshold”的值来配置阈值(修改该参数不用重启Yarn,就可以生效)。

阈值默认为零,当不健康节点数超过该值时,触发告警,小于阈值时会自动消除告警。

告警属性

告警ID

告警级别

是否自动清除

18003

重要

告警参数

参数名称

参数含义

来源

产生告警的集群名称。

服务名

产生告警的服务名称。

角色名

产生告警的角色名称。

主机名

产生告警的主机名。

Unhealthy Host

不健康节点的主机列表。

对系统的影响

  • 故障的NodeManager节点无法提供Yarn服务。
  • 容器减少,集群性能下降。

可能原因

  • NodeManager节点所在主机的硬盘空间不足。
  • NodeManager节点本地目录omm用户无访问权限。

处理步骤

检查主机的硬盘空间。

  1. 在FusionInsight Manager界面,选择“运维 > 告警 > 告警”,在告警列表中找到当前告警,单击获取告警详细信息,在“附加信息”中获取不健康状态的节点。
  2. 选择“集群 > 待操作集群的名称 > 服务 > Yarn > 实例”,选择对应主机的NodeManager实例,选择“实例配置 > 全部配置”,搜索“yarn.nodemanager.local-dirs”和“yarn.nodemanager.log-dirs”对应的磁盘。
  3. 选择“运维 > 告警 > 告警”,在告警列表中查看对应的磁盘是否存在“ALM-12017 磁盘容量不足”告警。

    • 是,执行4
    • 否,执行5

  4. 参考“ALM-12017 磁盘容量不足”操作步骤进行处理,故障恢复后,查看本告警是否恢复。

    • 是,处理完毕。
    • 否,执行7

  5. 选择“主机 > 待查看的主机名称”,在主机的概览页面查看对应分区的磁盘使用情况。检查挂载磁盘使用空间百分比是否已经超过Yarn参数“yarn.nodemanager.disk-health-checker.max-disk-utilization-per-disk-percentage”所配置的值。

    • 是,执行6
    • 否,执行7

  6. 将磁盘使用率降到该配置值以下,等待10-20分钟,然后检查该告警是否恢复。

    • 是,处理完毕。
    • 否,执行7

检查NodeManager节点本地目录的访问权限。

  1. 获取2中查看到的NodeManager目录,以root用户登录每个NodeManager节点,并进入获取到的目录
  2. 执行ll命令查看对应localdir的文件夹和containerlogs文件夹权限,确认权限是否是“755”,且“用户:属组”是否为“omm:ficommon”。

    • 是,处理完毕。
    • 否,执行9

  3. 执行如下命令将文件夹权限修改为“755”,并将“用户:属组”修改为“omm:ficommon”。

    chmod 755 <folder_name>

    chown omm:ficommon <folder_name>

  4. 等待10~20分钟,检查该告警是否恢复。

    • 是,处理完毕。
    • 否,执行11

收集故障信息。

  1. 在主集群的FusionInsight Manager界面,选择“运维 > 日志 > 下载”。
  2. 在“服务”中勾选待操作集群的“Yarn”。
  3. 单击右上角的设置日志收集的“开始时间”和“结束时间”分别为告警产生时间的前后10分钟,单击“下载”。
  4. 请联系运维人员,并发送已收集的故障日志信息。

告警清除

此告警修复后,系统会自动清除此告警,无需手工清除。

参考信息

无。