[[133969]]

故障描述

OpenStack + Ceph集群在使用過程中，由于虛擬機拷入大量新的數據，導致集群的磁盤迅速消耗，沒有空余空間，虛擬機無法操作，Ceph集群所有操作都無法執行。

故障現象

• 嘗試使用OpenStack重啟虛擬機無效
• 嘗試直接用rbd命令直接刪除塊失敗

[root@controller ~]# rbd -p volumes rm volume-c55fd052-212d-4107-a2ac-cf53bfc049be 
2015-04-29 05:31:31.719478 7f5fb82f7760  0 client.4781741.objecter  FULL, paused modify 0xe9a9e0 tid 6 

• 查看ceph健康狀態

cluster 059f27e8-a23f-4587-9033-3e3679d03b31 
 health HEALTH_ERR 20 pgs backfill_toofull; 20 pgs degraded; 20 pgs stuck unclean; recovery 7482/129081 objects degraded (5.796%); 2 full osd(s); 1 near full osd(s) 
 monmap e6: 4 mons at {node-5e40.cloud.com=10.10.20.40:6789/0,node-6670.cloud.com=10.10.20.31:6789/0,node-66c4.cloud.com=10.10.20.36:6789/0,node-fb27.cloud.com=10.10.20.41:6789/0}, election epoch 886, quorum 0,1,2,3 node-6670.cloud.com,node-66c4.cloud.com,node-5e40.cloud.com,node-fb27.cloud.com 
 osdmap e2743: 3 osds: 3 up, 3 in 
        flags full 
  pgmap v6564199: 320 pgs, 4 pools, 262 GB data, 43027 objects 
        786 GB used, 47785 MB / 833 GB avail 
        7482/129081 objects degraded (5.796%) 
             300 active+clean 
              20 active+degraded+remapped+backfill_toofull 

HEALTH_ERR 20 pgs backfill_toofull; 20 pgs degraded; 20 pgs stuck unclean; recovery 7482/129081 objects degraded (5.796%); 2 full osd(s); 1 near full osd(s) 
pg 3.8 is stuck unclean for 7067109.597691, current state active+degraded+remapped+backfill_toofull, last acting [2,0] 
pg 3.7d is stuck unclean for 1852078.505139, current state active+degraded+remapped+backfill_toofull, last acting [2,0] 
pg 3.21 is stuck unclean for 7072842.637848, current state active+degraded+remapped+backfill_toofull, last acting [0,2] 
pg 3.22 is stuck unclean for 7070880.213397, current state active+degraded+remapped+backfill_toofull, last acting [0,2] 
pg 3.a is stuck unclean for 7067057.863562, current state active+degraded+remapped+backfill_toofull, last acting [2,0] 
pg 3.7f is stuck unclean for 7067122.493746, current state active+degraded+remapped+backfill_toofull, last acting [0,2] 
pg 3.5 is stuck unclean for 7067088.369629, current state active+degraded+remapped+backfill_toofull, last acting [2,0] 
pg 3.1e is stuck unclean for 7073386.246281, current state active+degraded+remapped+backfill_toofull, last acting [0,2] 
pg 3.19 is stuck unclean for 7068035.310269, current state active+degraded+remapped+backfill_toofull, last acting [0,2] 
pg 3.5d is stuck unclean for 1852078.505949, current state active+degraded+remapped+backfill_toofull, last acting [2,0] 
pg 3.1a is stuck unclean for 7067088.429544, current state active+degraded+remapped+backfill_toofull, last acting [2,0] 
pg 3.1b is stuck unclean for 7072773.771385, current state active+degraded+remapped+backfill_toofull, last acting [0,2] 
pg 3.3 is stuck unclean for 7067057.864514, current state active+degraded+remapped+backfill_toofull, last acting [2,0] 
pg 3.15 is stuck unclean for 7067088.825483, current state active+degraded+remapped+backfill_toofull, last acting [2,0] 
pg 3.11 is stuck unclean for 7067057.862408, current state active+degraded+remapped+backfill_toofull, last acting [2,0] 
pg 3.6d is stuck unclean for 7067083.634454, current state active+degraded+remapped+backfill_toofull, last acting [2,0] 
pg 3.6e is stuck unclean for 7067098.452576, current state active+degraded+remapped+backfill_toofull, last acting [2,0] 
pg 3.c is stuck unclean for 5658116.678331, current state active+degraded+remapped+backfill_toofull, last acting [2,0] 
pg 3.e is stuck unclean for 7067078.646953, current state active+degraded+remapped+backfill_toofull, last acting [2,0] 
pg 3.20 is stuck unclean for 7067140.530849, current state active+degraded+remapped+backfill_toofull, last acting [0,2] 
pg 3.7d is active+degraded+remapped+backfill_toofull, acting [2,0] 
pg 3.7f is active+degraded+remapped+backfill_toofull, acting [0,2] 
pg 3.6d is active+degraded+remapped+backfill_toofull, acting [2,0] 
pg 3.6e is active+degraded+remapped+backfill_toofull, acting [2,0] 
pg 3.5d is active+degraded+remapped+backfill_toofull, acting [2,0] 
pg 3.20 is active+degraded+remapped+backfill_toofull, acting [0,2] 
pg 3.21 is active+degraded+remapped+backfill_toofull, acting [0,2] 
pg 3.22 is active+degraded+remapped+backfill_toofull, acting [0,2] 
pg 3.1e is active+degraded+remapped+backfill_toofull, acting [0,2] 
pg 3.19 is active+degraded+remapped+backfill_toofull, acting [0,2] 
pg 3.1a is active+degraded+remapped+backfill_toofull, acting [2,0] 
pg 3.1b is active+degraded+remapped+backfill_toofull, acting [0,2] 
pg 3.15 is active+degraded+remapped+backfill_toofull, acting [2,0] 
pg 3.11 is active+degraded+remapped+backfill_toofull, acting [2,0] 
pg 3.c is active+degraded+remapped+backfill_toofull, acting [2,0] 
pg 3.e is active+degraded+remapped+backfill_toofull, acting [2,0] 
pg 3.8 is active+degraded+remapped+backfill_toofull, acting [2,0] 
pg 3.a is active+degraded+remapped+backfill_toofull, acting [2,0] 
pg 3.5 is active+degraded+remapped+backfill_toofull, acting [2,0] 
pg 3.3 is active+degraded+remapped+backfill_toofull, acting [2,0] 
recovery 7482/129081 objects degraded (5.796%) 
osd.0 is full at 95% 
osd.2 is full at 95% 
osd.1 is near full at 93% 

#p#

解決方案一(已驗證)

增加OSD節點，這也是官方文檔中推薦的做法，增加新的節點后，Ceph開始重新平衡數據，OSD使用空間開始下降

2015-04-29 06:51:58.623262 osd.1 [WRN] OSD near full (91%) 
2015-04-29 06:52:01.500813 osd.2 [WRN] OSD near full (92%) 

解決方案二(理論上，沒有進行驗證)

如果在沒有新的硬盤的情況下，只能采用另外一種方式。在當前狀態下，Ceph不允許任何的讀寫操作，所以此時任何的Ceph命令都不好使，解決的方案就是嘗試降低Ceph對于full的比例定義，我們從上面的日志中可以看到Ceph的full的比例為95%，我們需要做的就是提高full的比例，之后盡快嘗試刪除數據，將比例下降。

• 嘗試直接用命令設置，但是失敗了，Ceph集群并沒有重新同步數據，懷疑可能仍然需要重啟服務本身

ceph mon tell \* injectargs '--mon-osd-full-ratio 0.98' 

修改配置文件，之后重啟monitor服務，但是擔心出問題，所以沒有敢嘗試該方法，后續經過在郵件列表確認，該方法應該不會對數據產生影響，但是前提是在恢復期間，所有的虛擬機不要向Ceph再寫入任何數據。

默認情況下full的比例是95%，而near full的比例是85%，所以需要根據實際情況對該配置進行調整。

[global] 
    mon osd full ratio = .98 
    mon osd nearfull ratio = .80 

分析總結

原因

根據Ceph官方文檔中的描述，當一個OSD full比例達到95%時，集群將不接受任何Ceph Client端的讀寫數據的請求。所以導致虛擬機在重啟時，無法啟動的情況。

解決方法

從官方的推薦來看，應該比較支持添加新的OSD的方式，當然臨時的提高比例是一個解決方案，但是并不推薦，因為需要手動的刪除數據去解決，而且一旦再有一個新的節點出現故障，仍然會出現比例變滿的狀況，所以解決之道***是擴容。

思考

在這次故障過程中，有兩點是值得思考的：

• 監控：由于當時服務器在配置過程中DNS配置錯誤，導致監控郵件無法正常發出，從而沒有收到Ceph WARN的提示信息
• 云平臺本身： 由于Ceph的機制，在OpenStack平臺中分配中，大多時候是超分的，從用戶角度看，拷貝大量數據的行為并沒有不妥之處，但是由于云平臺并沒有相應的預警機制，導致了該問題的發生

參考文檔

http://ceph.com/docs/master/rados/configuration/mon-config-ref/#storage-capacity

博文出處：http://blog.csdn.net/xiaoquqi/article/details/45539847