网格控制器故障

安装和维护 CA AppLogic® › BFC 用户指南 › 疑难解答 › 网格恢复过程 › 网格控制器故障

网格控制器故障

该主题介绍各种网格控制器故障类型，这些故障需要网格管理员手工干预来恢复网格控制器正常运行。

注意：强烈建议您阅读 CA AppLogic® 高可用性参考，以熟悉 CA AppLogic® 的高可用性功能；特别是与网格控制器 HA 和可能发生的故障类型相关的内容。

网格控制器故障的类型

CA AppLogic® 可从两种网格控制器故障类型中自动恢复：

运行在网格主服务器上的网格控制器虚拟机故障（即，软件故障）
运行网格控制器虚拟机的主服务器故障（即，硬件故障、软件故障）

在某些故障情形中，网格控制器可能无法访问，也无法通过 CA AppLogic® 自动恢复。下面汇总用户观察到的此类情况：

恢复 GUI 可访问但无法重新启动网格控制器。
- 恢复 GUI 中的“详细信息和消息”部分下会指定出现此故障的原因。您可以查看恢复失败的阶段以及失败的原因。如果该信息不足以恢复网格控制器，请参阅下一部分有关如何恢复网格控制器的内容。
- 如果控制器无法启动的原因是由于系统卷（启动卷、元卷、impex 卷）损坏，请联系 CA 支持，这是恢复网格控制器的唯一方法（CA AppLogic® 可检测损坏的系统卷，并在恢复 GUI 中显示错误消息）。
网格控制器在几分钟之内没有重新启动，并且无法访问恢复 GUI 或 CA AppLogic® GUI。
- 确保至少为 CA AppLogic® 提供 5 分钟进行恢复；如果 CA AppLogic® 在 5-10 分钟内没有恢复网格控制器，请参阅下一部分有关如何恢复网格控制器的内容。

管理员可以查看恢复 GUI 状态信息，该信息由 CA AppLogic® 进行维护。该信息存储在位于控制器服务器（网格控制器将在其上启动）上的 dom0 的文件中。有关恢复 GUI 状态文件的位置和格式的信息，请参阅本文档底部的最后一个主题。

网格控制器无法访问时应执行的操作

下面列出了网格控制器自己无法重新启动的原因：

最常见的原因是，网格控制器的其中一个系统卷不可用。如果启动卷、元卷或 impex 卷的唯一正确流/镜像所在的服务器关闭，可能会出现此故障。
关闭的主服务器或备用服务器过多。 CA AppLogic® 至少要求多数（n/2+1，n 是网格中主服务器和备用服务器的数量）主服务器和备用服务器正常运行，才能在其他服务器之一上启动网格控制器。

要使网格控制器恢复正常运行，请执行以下操作：

恢复所有关闭的主服务器和备用服务器。这些服务器恢复正常运行之后，网格控制器应在大约 5 分钟内恢复。如果这不能解决该问题，请尝试执行下一步。
使用 BFC 执行以下步骤，以为网格指定新的主服务器并在新的主服务器上启动网格控制器。
1. 从左侧菜单中选择“网格”。
  将显示“网格”页面。网格的状态可以为“正在运行”、“已停止”、“失败”、“失败，但仍在运行”（网格创建失败但服务器仍在运行）、“需要注意”和“需要重新启动”。
2. 选择要使用的网格旁边的复选框。
3. 单击“网格操作”菜单并选择“编辑网格参数”。
  “编辑网格参数”对话框将打开。
4. 输入以下网格参数信息，以为网格指定新的主服务器：
  primary=srvaddr
  
  srvaddr 值是将成为新控制器的服务器的服务器 ID (srvNN) 或地址。该地址必须在主干 Lan 上可访问。如果指定了名称，它必须解析为主干上可访问的地址。
  
  当在正常运行的网格（具有运行控制器）上使用该设置时，控制器会立即关闭并在新的主机上重新启动。这不会影响网格上的应用，但它可能会中断对网格控制器的 GUI 访问，并延迟或中断进行中的应用管理命令。
  
  另外建议除主服务器之外，网格中还至少具有两个备用服务器。如果网格中没有备用服务器或者备用服务器已关闭且无法恢复，请执行以下步骤为网格至少配置两个备用服务器。如果没有足够的服务器可用，建议将更多的服务器添加到网格，以用于网格控制器 HA。
5. 输入以下网格参数信息为网格指定两个备用服务器：
  secondary=srvaddr,srvaddr,...
  
  srvaddr 值是在主控制器主机出现故障的情况下用来担任控制器主机角色的服务器的服务器 ID 或地址。该设置可用于限制或更改自动分配备用控制器主机。最多可指定 7 个备用主机。可以单独指定该设置，或者与 primary= setting 一起指定，以便同时重新分配备用主机和将控制器移动到新主机。 secondary= setting 对禁用的网格没有影响。要重新分配备用控制器主机，首先请使用 primary=srvaddr 网格参数恢复网格。
6. 将重新启动所需的选项选择为“是”。
7. 单击“编辑网格参数”对话框上的“保存”按钮。

如果以上所有建议均无法恢复网格控制器，则该问题非常严重，需要人工干预来解决；请立即联系 CA 支持。 为 CA 支持收集以下信息：

网格的当前状态
如果恢复 GUI 可运行，则它出现故障的阶段以及 GUI 的消息部分中显示的错误消息
网格中关闭/无法运行的服务器（如果有）

恢复 GUI 状态文件

管理员可以查看恢复 GUI 状态信息，该信息由 CA AppLogic® 进行维护。该信息存储在位于控制器服务器（网格控制器将在其上启动的服务器）上的 dom0 的文件中。该文件命名为 /usr/local/recovery/gui/chroot/data/status，其中包含网格控制器恢复的当前状态。控制器恢复 GUI 使用该文件中存储的信息来显示进度/状态。该文件采用以下格式，并以 JSON 编码（下面是所使用的示例数据）：

{
"grid_name"               : "my-grid-name",
"grid_version"            : "2.7.6",
"role"                    : "恢复控制器 2",
"status"                  : "正在进行恢复（主恢复控制器是 srv2）",
"recovery_start_time"     : "15:14:41 PDT（2009 年 3 月 21 日）",
"recovery_eta"            : "15:23:54 PDT",
"recovery_remaining_time" : 278,
"current_time"            : "15:19:12 PDT",
"stage"                   : 0,
"stage_remaining_time"    : 79,
"failure_reason"          : "srv1 关闭（在任何一个网络上无响应 30 秒）",
"known_servers"           : "srv1:down,srv2:up",
"stages"                  : [
                            "正在等待仲裁（至少连接 N 个服务器中的 3 个）",
                            "正在等待具有控制器卷流的服务器可用",
                            "正在等待保留控制器卷流",
                            "正在验证两个网路是否存在",
                            "正在共享控制器卷",
                            "正在挂接控制器卷",
                            "正在启动网格控制器",
                            "已启动网格控制器"
                            ],
"msgs"                    : [
                            {
                            "time"     : "15:15:23 PDT",
                            "severity" : "报警",
                            "text"     : "我的报警信息"
                            },
                            {
                            "time"     : "15:16:00 PDT",
                            "severity" : "信息",
                            "text"     : "我的信息消息"
                            }
                            ]
}

对以上字段的一些说明：

除 recovery_remaining_time 和 stage_remaining_time（秒）之外，时间反映网格当地时间
阶段是阶段说明数组，以它们预期发生的顺序排列，而阶段值是当前阶段的数组下标
failure_reason 和 msgs 是可选字段；所有其他字段始终存在
msgs 包含恢复过程期间获得的错误或其他通知；这些消息将重要信息传递给用户
重要级别具有两个有效值，即报警和信息

未执行网格控制器恢复时，状态文件中仅提供以下几个字段：

{
"grid_name"            : "my-grid-name",
"grid_version"         : "2.7.6",
"role"                    : "恢复控制器 2",
"status"               : "正常",
"known_servers"        : "srv2:up,srv1:up"
}