ALM-14022 NameNode RPC队列平均时间超过阈值

告警解释

系统每30秒周期性检测NameNode的RPC队列平均时间，并把实际的NameNode的RPC队列平均时间和阈值相比较。当检测到NameNode的RPC队列平均时间连续多次（默认为10次）超出阈值范围时，产生该告警。

用户可通过“运维 > 告警 > 阈值设置 > 待操作集群的名称 > HDFS”修改阈值。

如果平滑次数为1，NameNode的RPC队列平均时间小于或等于阈值时，告警恢复；如果平滑次数大于1，NameNode的RPC队列平均时间小于或等于阈值的90%时，告警恢复。

告警属性

告警参数

对系统的影响

NameNode无法及时处理来自HDFS客户端、依赖于HDFS的上层服务、DataNode等的RPC请求，表现为访问HDFS服务的业务运行缓慢，严重时会导致HDFS服务不可用。

可能原因

• NameNode节点的CPU性能不足，导致NameNode无法及时处理消息。
• NameNode所设置的内存太小，频繁Full GC造成JVM卡顿。
• NameNode配置参数不合理，导致NameNode无法充分利用机器性能。
• HDFS的业务访问量太大，超过了NameNode的负载能力。

处理步骤

获取该告警的信息。

1. 在FusionInsight Manager首页，选择“运维 > 告警 > 告警”，在告警列表中找到该告警。
2. 单击该告警，查看下面的告警详情。从“产生时间”可知该告警的触发时间；从“定位信息”中的“主机名”信息可知发出该告警的NameNode节点主机名；从“定位信息”中的NameServiceName信息可知发出该告警的NameService名称。

查看是否阈值设置过低。

3. 查看依赖于HDFS的业务的运行状态是否正常运行。查看是否存在运行慢、执行任务超时的情况。
   • 是，执行8。
   • 否，执行4。

4. 在FusionInsight Manager首页，选择“集群 > 待操作集群的名称 > 服务 > HDFS”，单击图表区域右上角的下拉菜单，单击“定制”，在弹出的对话框中选择“主NameNode RPC队列平均时间”，单击“确定”。
5. 查看“主NameNode RPC队列平均时间”监控中，获取发出告警的NameService的当前的监控值。
6. 在FusionInsight Manager首页，选择“运维 > 告警 > 阈值设置 > 待操作集群的名称 > HDFS”，找到“主NameNode RPC队列平均时间”，单击default规则中“操作”栏中的“修改”，修改“阈值”为当前监控值的150%。单击“确定”，保存新阈值。
7. 等待1分钟，查看该告警是否自动消除。
   • 是，处理结束。
   • 否，执行8。

查看NameNode节点的CPU性能是否不足。

8. 在FusionInsight Manager首页，选择“运维 > 告警 > 告警”，查看该NameNode节点是否有“ALM-12016 CPU使用率超过阈值”告警。
   • 是，执行9。
   • 否，执行11。

9. 按照“ALM-12016 CPU使用率超过阈值”告警处理文档，处理该告警。
10. 处理完12016告警后，等待10分钟，查看14022告警是否自动消除。
    • 是，处理结束。
    • 否，执行11。

查看NameNode节点的内存是否设置过小。

11. 在FusionInsight Manager首页，选择“运维 > 告警 > 告警”，查看是否有该NameNode节点的“ALM-14007 HDFS NameNode堆内存使用率超过阈值”告警。
    • 是，执行12。
    • 否，执行14。

12. 按照“ALM-14007 HDFS NameNode堆内存使用率超过阈值”告警处理文档，处理该告警。
13. 处理完14007告警后，等待10分钟，查看14022告警是否自动消除。
    • 是，处理结束。
    • 否，执行14。

查看该NameNode配置参数是否合理。

14. 在FusionInsight Manager首页，选择“集群 > 待操作集群的名称 > 服务 > HDFS > 配置”，搜索配置项“dfs.namenode.handler.count”，查看其值。如果值小于或等于128，则设置为128；如果大于128但小于192，则设置为192。
15. 搜索配置项“ipc.server.read.threadpool.size”，查看其值。如果值小于5，则设置为5。
16. 单击“保存”，单击“确定”。
17. 在HDFS的“实例”页面，先勾选发出该告警的NameService的备NameNode，在“更多”中单击“重启实例”，输入密码后单击“确定”，等待备NameNode启动完毕。
18. 在HDFS的“实例”页面，先勾选发出该告警的NameService的主NameNode，在“更多”中单击“重启实例”，输入密码后单击“确定”，等待主NameNode启动完毕。
19. 等待1小时，查看该告警是否自动消除。
    • 是，处理结束。
    • 否，执行20。

查看HDFS负载变化情况，适当降低HDFS负载。

20. 在FusionInsight Manager首页，选择“集群 > 待操作集群的名称 > 服务 > HDFS”，单击图表区域右上角的下拉菜单，选择“定制”，单击“RPC”，在弹出的对话框中选择“NameNode RPC队列平均时间”，单击“确定”。
21. 单击，进入监控详细信息界面。
22. 设置监控显示的时间段，从告警产生的时间的前5天开始，到告警产生时刻结束。单击“确定”按钮。
23. 在“NameNode RPC队列平均时间”监控中，查看该监控是否有开始急剧增加的时间点。
    • 是，执行24。
    • 否，执行27。

24. 确认并排查在该时间点，是否有新增任务大量访问HDFS，确认该任务是否可以调优，减少对HDFS的访问。
25. 如果在该时间点有执行Balancer，则可以停止Balancer，或指定节点执行Balancer任务，来降低对HDFS的负载。
26. 等待1小时，查看该告警是否自动消除。
    • 是，处理结束。
    • 否，执行27。

收集故障信息。

27. 在FusionInsight Manager首页，选择“运维 > 日志 > 下载”。
28. 在“服务”勾选待操作集群的HDFS节点信息。
29. 单击右上角的编辑按钮设置日志收集的“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”。
30. 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

不涉及。