RAC 启动过程出错各种实战

CRS启动4405错误

天津仓储一个项目今天现场DBA关了RAC，但启动时报错

Su �C 

#cd /u01/app/grid/product/11.2.0/bin

#./crsctl start cluster �Cn tjccdb1 tjccdb2

遇到crs-4405错误，

同时用如下命令 

crsctl check crs   crsctl check has 系统卡住了，命令不出来结果

这时连甚至连ps -ef的命令都挂起，halt命令无法停机。经询问现场人员，当时

停集群报错，重启服务器后再启动CRS就报这个错，查看CSSD日志，仲裁信息的混乱，在两个节点crs都是启动状态下，两个节点的crs进程都挂起。

 

 

 

用如下步骤来解决：

断电机器，1#节点启动后，crs与db启动正常，关闭db与crs，再启动2#节点，crs与db启动正常，然后启动1#节点的crs和db，恢复正常。

 

网上哥们遇到双节点RAC数据库，只能启动一个节点，无论哪个节点先启动，另外一个节点就无法正常启动了  具体就是使用hacmp 5管理共享磁盘，无法启动的表现就是可以mount，alter database open就hang在那不动

解决思路：

出现该问题前，客户进行了一下数据转换的操作，中间等待长时间无反应，所以最后选择重启数据库，然后hang住很长时间，然后shutdown abort关闭数据库，然后再启动就出现上述问题！

到达现场，开始尝试启动无法启动的数据库，发现就是hang在alter database open的过程，如果不做任何操作，就一直hang在这个过程不动，观察系统负载，没有任何变动，如果这时候关闭第一个启动的节点，第二个启动的节点就能完成正常启动。这个过程数据库中在做什么呢？

判断来判断去，在metalink中也搜索半天，发现有个两个bug可能导致这个问题，但是打相应patch后依然如故！两个patch分别为p5106909和p5190596，感兴趣可以去参考下！

分析从故障开始的日志，发现在alert日志中有Waiting for clusterware split-brain resolution，中文就是脑裂，怀疑网络存在问题，但是使用ping命令ping心跳地址，正常！！！

系统中errpt有：

4507DE58   0507180209 I H ent2           ETHERNET NETWORK RECOVERY MODE
DED8E752   0507180209 T H ent2           ETHERNET DOWN
4507DE58   0507180209 I H ent5          ETHERNET NETWORK RECOVERY MODE
DED8E752   0507180209 T H ent5           ETHERNET DOWN
系统工程师说是网卡模式问题，应该没什么影响！（我就相信了据说是IBM的工程师，结果后来……唉！）

所以下面我就又开始折腾这个数据库啊，各种方法尝试，折腾一天，没有什么眉目，回去休息，明天继续吧！

结果第二天一来，客户就告诉我，应用的工程师，把两个数据库节点都给起来了，方法就是：启动第二个节点的时候，在第一个节点执行命令：alter system flush buffer_cache;就是清空第一个启动节点的buffer cache，然后第二个节点就能正常启动了！不知道他是怎么想到的，但是这就说明，其实第二个节点启动时候hang在了同步buffer cache的过程了，清除了第一个节点buffer cache就好了！具体猜想应该是数据字典！

虽然是都启动了，但是这种方式绝对不是解决办法，因为如果再有需要同步cache的操作，数据库还是会出现问题，结果运行了大约1个多小时，数据库果然出现问题：又出现脑裂，日志如下：

Thu May  7 09:19:11 2009
IPC Send timeout detected. Receiver ospid 160682
Thu May  7 09:19:11 2009
Errors in file /oracle/app/admin/orcl/bdump/orcl2_lms0_160682.trc:
Thu May  7 09:19:12 2009
Trace dumping is performing id=[cdmp_20090507091857]
Thu May  7 09:20:52 2009
Waiting for clusterware split-brain resolution
Thu May  7 09:25:55 2009
Errors in file /oracle/app/admin/orcl/bdump/orcl2_lmon_114856.trc:
ORA-00600: Message 600 not found; No message file for product=RDBMS, facility=ORA; arguments: [kjxgrdecidemem1]
Thu May  7 09:25:56 2009
Trace dumping is performing id=[cdmp_20090507092556]
Thu May  7 09:25:56 2009
Errors in file /oracle/app/admin/orcl/bdump/orcl2_lmon_114856.trc:
ORA-00600: Message 600 not found; No message file for product=RDBMS, facility=ORA; arguments: [kjxgrdecidemem1]
Thu May  7 09:25:56 2009
LMON: terminating instance due to error 481
Instance terminated by LMON, pid = 114856

明天还要去客户现场，又是9点到，还在南城，睡觉～

未完待续～～～～～～～～～～

还是继续写完吧～～～～～～～

后来经过检查，发现在netstat -s查看时发现有丢包现象，但是还是没有引起我的足够注意，再后来我实在是找不到原因，只好建议客户从网络和系统方面都排查！正好这时候客户请来另一家的工程师解决，我觉得人家在两个方面做得比我好：

1、先是去看了现场硬件配置环境（我就没去看过）

2、从可能的原因一一排查（我就一直专注于找到比较可信的原因）

可能是在一家公司呆久了，也可能是经常一个人解决问题，行成了自己的固定思维模式，总之，最后是我没有找到比较可行的解决方法，而另一家公司的工程师建议客户排除网络（心跳线等原因）、系统等方面，再想起他方法，结果心跳线一换就ok啦～～～～～～～

 

 

点评：其实从Instance terminated by LMON, pid = 114856 这里显示LMON----来终止实例，LMON就是各个实例的LMON进程会定期通信，以检查集群中各个节点的健康状况，当某个节点出现故障时，负责集群重构、GRD恢复等操作，它提供的服务叫做Cluster Group Services。从这里看这个实例LMON通信不正常， 这个表明是心跳问题。

 

 

惜纷飞的例子：

solaris 11.2 两节点rac无法启动，让我帮忙看下。通过分析是因为sga_target参数设置不合理导致asm无法正常启动
GI无法正常启动

grid@zwq-rpt1:~$crsctl status resource -t  CRS-4535: Cannot communicate with Cluster Ready Services  CRS-4000: Command Status failed, or completed with errors.  grid@zwq-rpt1:~$crsctl status resource -t -init  --------------------------------------------------------------------------------  NAME           TARGET  STATE        SERVER                   STATE_DETAILS         --------------------------------------------------------------------------------  Cluster Resources  --------------------------------------------------------------------------------  ora.asm        1        ONLINE  OFFLINE                               Instance Shutdown     ora.cluster_interconnect.haip        1        ONLINE  ONLINE       zwq-rpt1                                       ora.crf        1        ONLINE  ONLINE       zwq-rpt1                                       ora.crsd        1        ONLINE  OFFLINE                                                     ora.cssd        1        ONLINE  ONLINE       zwq-rpt1                                       ora.cssdmonitor        1        ONLINE  ONLINE       zwq-rpt1                                       ora.ctssd        1        ONLINE  ONLINE       zwq-rpt1                 ACTIVE:0              ora.diskmon        1        OFFLINE OFFLINE                                                     ora.evmd        1        ONLINE  INTERMEDIATE zwq-rpt1                                       ora.gipcd        1        ONLINE  ONLINE       zwq-rpt1                                       ora.gpnpd        1        ONLINE  ONLINE       zwq-rpt1                                       ora.mdnsd        1        ONLINE  ONLINE       zwq-rpt1

这时查看CSSD，发现

[/export/home/app/grid/bin/oraagent.bin(1348)]CRS-5019:All OCR locations are on ASM disk groups[CRSDG], and none of these disk groupsare mounted. Details are at "(:CLSN00100:)"in"/export/home/app/grid/log/zwq-rpt1/agent/ohasd/oraagent_grid/oraagent_grid.log". 

ASM都起不来了，OCR和VOTING DISK 肯定加载不起来，不报错才怪。继续看ASM日志

/export/home/app/oracle/diag/asm/+asm/+ASM1/trace/+ASM1_ora_1732.trc  (incident=291449): 

ORA-04031: unable to allocate 32 bytes of shared memory ("shared pool","unknown object","KGLH0^34f764db","kglHeapInitialize:temp") 

这时报share pool 不能allocate,进到pfile查看

ystem parameters with non-default values: 

  sga_max_size             = 2G 

  large_pool_size          = 16M 

  instance_type            = "asm"

  sga_target               = 0 

这里不能自动管理，而有没有设置share pool，这时只需要设置，再重启CRS即可。