proxmox集群节点崩溃处理

问题描述

 

在现有集群加入一个物理节点，接着再此节点创建ceph监视器、创建OSD。从宿主机系统执行ceph osd tree查看状态，创建起来的几个OSD状态都正常（up），从proxmox管理界面看也是这样。

 

突然不知道什么原因，刚加入的节点就突然不能从集群中失效了。

再进宿主机系统查OSD状态，居然自己从up变成down。新增节点没数据，于是就试试重启，看能不能正常。重启以后，网络能通，ssh不能连接，web管理界面也不能访问。接下来，需要先把故障节点从集群中撤离出来，恢复以后，再加入集群。

 

从集群中删除故障节点

 

按操作顺序分两个步骤：从集群中删除故障ceph和从集群中删除物理节点。

 

ü  从集群中删除故障ceph

1.       登录集群任意物理正常节点系统，执行如下命令查看ceph osd状态：

root@pve48:~# ceph osd tree ID CLASS WEIGHT   TYPE NAME      STATUS REWEIGHT PRI-AFF -1         18.00357 root default                           -3          4.91006     host pve48                          0     hdd  1.63669         osd.0      up    1.00000 1.00000  1     hdd  1.63669         osd.1      up    1.00000 1.00000  2     hdd  1.63669         osd.2        up  1.00000 1.00000 -5          4.91006     host pve49                          3     hdd  1.63669         osd.3      up    1.00000 1.00000  4     hdd  1.63669         osd.4      up    1.00000 1.00000  5     hdd  1.63669         osd.5      up    1.00000 1.00000 -7          4.91006     host pve50                          6     hdd  1.63669         osd.6      up    1.00000 1.00000  7     hdd  1.63669         osd.7      up    1.00000 1.00000  8     hdd  1.63669         osd.8      up    1.00000 1.00000 -9          3.27338     host pve51                         9           hdd  1.63669         osd.9    down        0 1.00000 10     hdd  1.63669         osd.10   down          0 1.00000

从输出可知物理节点pve51的两个OSD有问题，需要删除。

2.       离线有问题的ceph osd,执行的操作如下：

root@pve48:~# ceph osd out osd.9 osd.9 is already out. root@pve48:~# ceph osd out osd.10 osd.10 is already out.

操作时要仔细，别把正常的osd离线了。

3.       删除已经离线osd认证信息，执行的操作如下：

root@pve48:~# ceph auth del osd.9 updated root@pve48:~# ceph auth del osd.10 updated

 

4.       彻底删除故障osd，操作如下：

root@pve48:~# ceph osd rm 9 removed osd.9 root@pve48:~# ceph osd rm 10 removed osd.10

注意：此操作ceph最后一列参数与前边的不同，是纯数字格式！！！

5.       查看集群osd状态，操作如下：

root@pve48:~# ceph osd tree ID CLASS WEIGHT   TYPE NAME      STATUS REWEIGHT PRI-AFF -1         18.00357 root default                              -3          4.91006     host pve48                          0     hdd  1.63669         osd.0      up    1.00000 1.00000  1     hdd  1.63669         osd.1      up    1.00000 1.00000  2     hdd  1.63669         osd.2      up    1.00000 1.00000 -5          4.91006     host pve49                          3     hdd  1.63669         osd.3      up    1.00000 1.00000  4     hdd  1.63669         osd.4      up    1.00000 1.00000  5     hdd  1.63669         osd.5      up    1.00000 1.00000 -7          4.91006     host pve50                          6     hdd  1.63669         osd.6      up    1.00000 1.00000  7     hdd  1.63669         osd.7      up    1.00000 1.00000  8     hdd  1.63669         osd.8      up    1.00000 1.00000 -9          3.27338     host pve51                          9           hdd  1.63669         osd.9     DNE        0         10     hdd  1.63669         osd.10    DNE          0

操作完成后，故障节点的osd状态从down变成了DNE

6.       删除故障节点的ceph磁盘，操作如下：

root@pve48:~# ceph osd crush rm osd.9 removed item id 9 name 'osd.9' from crush   map root@pve48:~# ceph osd crush rm osd.10 removed item id 10 name 'osd.10' from crush   map

 

7.       从ceph集群中删除物理节点，操作如下：

root@pve48:~# ceph osd crush rm  pve51 removed item id -9 name 'pve51' from crush   map

 

8.       执行指令 ceph osd tree 查看状态，看是否把故障节点从ceph集群清理出去。

 

ü  从集群中删除故障节点

 

Ø  集群上的操作

登录集群中任意正常节点，执行如下指令进行驱逐操作：

root@pve48:~# pvecm  delnode pve51 Killing   node 4

 

Ø  故障机恢复操作

最好全部干掉，重新安装系统，并用新的ip地址，加入集群。