ALM-12006 节点故障

告警解释

Controller按30秒周期检测NodeAgent心跳。当Controller未接收到某一个NodeAgent的心跳，则尝试重启该NodeAgent进程，如果连续三次重启失败，产生该告警。

当Controller可以正常接收时，告警恢复。

MRS 3.3.0及之后版本，该告警名称变更为“NodeAgent进程异常”。

告警属性

告警ID	告警级别	是否自动清除
12006	重要	是

告警参数

参数名称	参数含义
来源	产生告警的集群或系统名称。
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。

对系统的影响

NodeAgent代理进程异常，无法上报心跳至平台。如果因为网络、硬件故障或ssh互信造成，则组件业务无法保证正常。

可能原因

网络断连、硬件故障或操作系统执行命令缓慢。
NodeAgent进程内存不足。
NodeAgent进程故障。

处理步骤

检查网络是否断连、硬件是否故障或者操作系统执行命令缓慢。

在FusionInsight Manager页面，选择“运维 > 告警 > 告警”，单击此告警所在行的，单击主机名，查看该告警的主机地址。
以root用户登录主管理节点。

如果当前故障节点为主管理节点，当登录主管理节点时无法登录，则说明可能为主管理节点网络故障，请执行4。
执行ping 故障主机IP地址命令检查故障节点是否可达。
- 是，执行12。
- 否，执行4。
联系网络管理员查看是否为网络故障。
- 是，执行5。
- 否，执行6。
修复网络故障，查看告警列表中，该告警是否已清除。
- 是，处理完毕。
- 否，执行6。
联系硬件管理员查看是否节点硬件故障（CPU或者内存等）。
- 是，执行7。
- 否，执行12。
维修或者更换故障部件，并重启节点。查看告警列表中，该告警是否已清除。
- 是，处理完毕。
- 否，执行8。

当集群中上报大量的节点故障时，可能是浮动IP资源异常导致Controller无法检测NodeAgent心跳。

登录任一管理节点，查看“/var/log/Bigdata/omm/oms/ha/scriptlog/floatip.log”，查看故障出现前后1-2分钟的日志是否完整。

例如：完整日志为如下格式：

2017-12-09 04:10:51,000 INFO (floatip) Read from ${BIGDATA_HOME}/om-server_*/om/etc/om/routeSetConf.ini,value is : yes
2017-12-09 04:10:51,000 INFO (floatip) check wsNetExport : eth0 is up.
2017-12-09 04:10:51,000 INFO (floatip) check omNetExport : eth0 is up.
2017-12-09 04:10:51,000 INFO (floatip) check wsInterface : eRth0:oms, wsFloatIp: XXX.XXX.XXX.XXX.
2017-12-09 04:10:51,000 INFO (floatip) check omInterface : eth0:oms, omFloatIp: XXX.XXX.XXX.XXX.
2017-12-09 04:10:51,000 INFO (floatip) check  wsFloatIp : XXX.XXX.XXX.XXX is reachable.
2017-12-09 04:10:52,000 INFO (floatip) check  omFloatIp : XXX.XXX.XXX.XXX is reachable.

是，执行12。
否，执行9。

查看检测完wsNetExport后是否打印omNetExport的检测日志或两条日志打印间隔时间超过10s或更长。
- 是，执行10。
- 否，执行12。

查看操作系统的“/var/log/message”，查看故障出现时间段是否有sssd频繁重启或者nscd异常信息。

sssd重启样例

Feb  7 11:38:16 10-132-190-105 sssd[pam]: Shutting down
Feb  7 11:38:16 10-132-190-105 sssd[nss]: Shutting down
Feb  7 11:38:16 10-132-190-105 sssd[nss]: Shutting down
Feb  7 11:38:16 10-132-190-105 sssd[be[default]]: Shutting down
Feb  7 11:38:16 10-132-190-105 sssd: Starting up
Feb  7 11:38:16 10-132-190-105 sssd[be[default]]: Starting up
Feb  7 11:38:16 10-132-190-105 sssd[nss]: Starting up
Feb  7 11:38:16 10-132-190-105 sssd[pam]: Starting up

nscd异常信息样例

Feb 11 11:44:42 10-120-205-33 nscd: nss_ldap: failed to bind to LDAP server ldaps://10.120.205.55:21780: Can't contact LDAP server
Feb 11 11:44:43 10-120-205-33 ntpq: nss_ldap: failed to bind to LDAP server ldaps://10.120.205.55:21780: Can't contact LDAP server
Feb 11 11:44:44 10-120-205-33 ntpq: nss_ldap: failed to bind to LDAP server ldaps://10.120.205.92:21780: Can't contact LDAP server

是，执行11。
否，执行12。

排查LdapServer节点是否故障，例如业务IP不可达、网络延时过长等；若故障为阶段性，则需在故障时排查，并尝试执行top命令查看是否存在异常软件。

检查是否NodeAgent进程内存不足。

以root用户登录故障节点，执行以下命令查看NodeAgent进程日志。

vi /var/log/Bigdata/nodeagent/scriptlog/agent_gc.log.*.current
检查日志中是否有元空间大小不足、或堆内存大小不足的报错。
- 是，执行14。
- 否，执行17。
执行su - omm切换为omm用户，根据集群版本编辑对应文件，并适当增大“nodeagent.Xms”初始堆内存参数值和“nodeagent.Xmx”最大堆内存参数值大小，保存修改。

参数所在文件路径如下：
- MRS 3.2.1之前版本：/opt/Bigdata/om-agent/nodeagent/bin/nodeagent_ctl.sh
- MRS 3.2.1及之后版本：$NODE_AGENT_HOME/etc/agent/nodeagent.properties
执行如下命令重启Agent服务。

sh ${BIGDATA_HOME}/om-agent/nodeagent/bin/stop-agent.sh

sh ${BIGDATA_HOME}/om-agent/nodeagent/bin/start-agent.sh
等待一段时间观察告警是否自动清除。
- 是，处理完毕。
- 否，执行17。

检查是否NodeAgent进程故障。

使用omm用户登录故障节点，执行如下命令。

ps -ef | grep "Dprocess.name=nodeagent" | grep -v grep
检查查询结果是否为空。
- 是，执行19。
- 否，执行21。
查看Agent启动与运行日志排查故障原因，待故障解决后执行20。
- Agent运行日志：/var/log/Bigdata/nodeagent/agentlog/agent.log
- Agent启停日志：/var/log/Bigdata/nodeagent/scriptlog/nodeagent_ctl.log
执行如下命令重启Agent服务。

sh ${BIGDATA_HOME}/om-agent/nodeagent/bin/stop-agent.sh

sh ${BIGDATA_HOME}/om-agent/nodeagent/bin/start-agent.sh