风险提示--这么用X86，小心ORACLE+RAC中招

字数 4892阅读 4632评论 9赞 15

最近有朋友和小y反馈：
他们的一台IBM的X86服务器（现在属于联想）出现硬件损坏，维护人员通过管理口收集诊断日志给厂商时，服务器上运行的好好的一套ORACLE 11.2的RAC数据库，
突然有一个节点重启了..这是是什么情况?

听到这里，小y基本上猜到了原因，类似的问题，以前分析和处理过几次，分析过程也不复杂，但是没想到，类似的故障现在居然还在发生.

因此有必要把这个风险提示出来!
这里，小y为大家分享一个过去处理的案例,文章最后会给出X86服务器与RAC结合的具体的风险提示，希望大家早了解，早预防，避免踩坑，伤人伤己。

# 问题来了！！
周五，晚上十一点，电话响了，是一位服务商的电话，看来出大事了，一下来了精神;
“小y,一套linux上的11.2.0.3 2节点的RAC，
节点2数据库今天下午自己重启了一次，后来自己起来了。
几个小时前，又挂了，到现在还没起来！
两个节点私网IP互相ping了一下,可以ping通！
你赶紧远程连上来处理下吧”

BTW：
是的，大家没看错，是服务商而不是最终客户的电话。
小y所在的公司不仅直接面向客户提供数据库专家服务，也为其他服务商、软件开发商提供三线支持，不过小y最近业绩压力大的晚上睡不着觉，还请各位兄弟多多帮忙推荐和介绍啊。

# 分析与恢复故障
###验证节点2无法启动
时间紧急，远程连入后，发现节点2确实挂掉了，那就直接startup启动数据库看看
![QQ截图20171026104054.png](/home/attachment/201710/26/994339_150898566976174.png)
照理来说，startup命令下去后，这里很快就可以看到SGA分配并启动到mount的信息，
但命令下去已经一分钟了，还没任何输出，确实不妙。
最终，startup命令在敲入后长时间依然无响应，大概10分钟后后报ORA-03113错误后退出。

如下图所示：
![微信图片_20171026104119.jpg](/home/attachment/201710/26/994339_150898568915408.jpg)
看来，数据库启动过程中遇到了异常，需要继续分析alert日志。
###检查节点2数据库的alert日志
截取altert日志关键信息，如下图所示：
![微信图片_20171026104854.jpg](/home/attachment/201710/26/994339_150898614674122.jpg)
可以看到：
由于节点2的Lmon进程通过ipc与节点1的LMON进程通讯超时，简单来说，两个节点的RAC无法通讯，因此无法加入集群。因此需要进一步检查两个节点的私网通讯是否正常。
###获取两个节点私网通讯的IP地址
之前他们提到两个节点的私网IP是可以ping通的，我估计他们是ping错IP了。
因为，从11.2.0.2（含）开始，ORACLE私网通讯不再直接采用“我们在私网网卡上所配置的地址（例如192.168这样的地址）”，而是采用GRID启动后，ORACLE在私网网卡上绑定的169.254这个网段的地址。确认了一下，他们果然ping的是192.168这个IP，这个IP能PING通是不够的…

发出下列命令获得，两个节点私网通讯采用的IP地址如下所示:
![微信图片_20171026104933.jpg](/home/attachment/201710/26/994339_150898618448118.jpg)
也就是说，RAC两个节点用于私网通讯的真实地址是：
节点1采用的私网通讯地址是169.254.220.75，而不是192.168.x.x
节点2采用的私网通讯地址是169.254.106.133，而不是192.168.x.x

也就是说，GRID启动前后的IP，如下所示：
###检查两个节点私网通讯是否正常
![微信图片_20171026105243.jpg](/home/attachment/201710/26/994339_150898640679643.jpg)
从上图可以看到：
两个节点之间互相ping不通169.254这个实际的私网通讯地址！这就是为什么节点2的数据库实例加不到集群的原因！

###思考时间
到这里，我们不妨用一张表表格小结一下：
其中bond0是私网网卡，192.168是手工配置的，169.254这个IP是GRID起来后绑上去的:
![QQ截图20171026105401.png](/home/attachment/201710/26/994339_150898645145307.png)
这是什么情况呢？
其实很简单，别着急，问题原因就在后面，什么时候往下翻，由你决定…
那是什么原因导致两个地址不通呢？
我们进一步检查两个节点的路由情况，发现了异常。如下所示
检查，发现节点1上的私网路由丢失，导致两个节点之间的私网无法正常通讯，继而无法正常加入集群。
![微信图片_20171026105455.jpg](/home/attachment/201710/26/994339_150898650559480.jpg)
而节点2上是存在169.254这个路由的！
![微信图片_20171026105513.jpg](/home/attachment/201710/26/994339_150898652436863.jpg)
###暂时解决问题
在节点1 即node1上使用root用户执行下列命令，补充丢失的路由即可
```sql
#route add -net 169.254.0.0 netmask  255.255.0.0 dev bond1
```
在节点1上实施该解决方案后，节点2数据库实例启动正常，问题得到解决。
到这里，有同学说，可以不可以把两个节点的GRID全部停掉，全部重启来恢复呢?
答案是yes !
因为重启GRID，会重新在bond0绑169.254这个IP，同时添加169.254.0.0这个路由 。
但是缺点也是显而易见的，两个节点停掉，业务不就停了么？
另外，万一节点1停了也起不来了呢？客户显然无法接受。
我们手工加路由其实和GRID加路由是一样的命令，理解本质了，变化会更多一些。

###节点一路由丢失原因进一步核查
节点1到169.254这个网段的路由丢失，导致两个节点私网无法通讯。
这个路由和169.254的IP都是grid在启动的时候进行绑定IP和添加路由的。
 
首先，我们通过检查历史命令，排除了人为删除路由的可能。

继续检查节点1这个节点GRID的alert日志,可以看到:
在6月3日19点36分，出现了oraRootAgent将路由删除的日志，而当时这个设备是usb0!即IMM服务器管理口！
![QQ截图20171026105644.png](/home/attachment/201710/26/994339_150898661437743.png)
其次，操作系统/var/log/messages显示：
在路由被删除前，系统正在为usb0网卡通过DHCP动态申请IP，并最终在问题出现前的20秒左右，在usb0上分配了169.254.95.120这个IP:
![微信图片_20171026105720.jpg](/home/attachment/201710/26/994339_150898665573780.jpg)
最终，节点2数据库数据库实例由于私网不通，IPC通讯超时，被驱逐出集群,日志如下
![微信图片_20171026105740.jpg](/home/attachment/201710/26/994339_150898666981996.jpg)
###问题串联总结
从上述分析不难发现，整个事情发生的顺序如下：
1)       19:36:25, 节点1 USB0网卡被分配169.254.95.120这个IP
2)       19:36:48, 节点1 orarootagent进程发现USB0上分配的169.254 IP与RAC集群通讯的IP冲突后删除169.254的路由 ，导致两个节点RAC无法通讯
3)       19:41:24, 节点2 报IPC 通讯超时，被驱逐出集群
4)       由于节点1的169.254的路由丢失，导致节点2 无法与节点1通讯，一直无法加入集群
5)       手工对节点1增加169.254的路由后，问题解决
 
不难看出来，这个行为是正常的行为！
我们以“Removed unused HAIProute:  169.254.95.0”作为搜索关键字，在METALINK上查找，MOS上的下面文章也介绍了这个行为，推测得到验证。
Oracle RAC H/A Failure Causes Oracle Linux Node Eviction On Server With  IBM Integrated Management Module (IMM) (文档 ID 1629814.1)

# 风险提示
### 风险提示
在部署了ORACLE11.2.0.2或以上的版本中
由于集群的ASM和DB使用169.254.x.x作为集群私网通讯的IP
【GRID启动后在私网网卡绑定169.254.x.x这个IP并添加169.254.0.0的路由】
 
目前已知的情况中，IBM X86服务器装完操作系统后，存在USB0这样一块网卡，这个网卡是用来和IMM通讯的，IMM是服务器的管理口，通过USB网络的LAN进行硬件管理。
当USB0网卡被激活时，将分配169.265.95.120（118）这个IP，将导致RAC集群路由被破坏，继而导致DB/ASM无法通讯而重启/节点驱逐的故障, 并且由于路由丢失，导致RAC节点被驱逐出集群后，无法加入集群，需要人工介入处理。
 
不管是IBM/联想的X86服务器的IMM，还是其他品牌的服务器（例如DELL的iDRAC，或者是SUN的T系列），集群中的任何节点的任何网络设备都不应该分配169.254.x.x这个网段的IP【link local ip】,否则将导致RAC集群路由被破坏，导致节点驱逐的故障。
###如何检查自己的系统是否存在类似问题
1）发出下列命令，检查系统是否曾经存在某个网卡动态分配过169.254这个网段的IIP
```sql
#cat  /var/log/messages*|grep dhclient |grep "bound to 169.254"
```
如有，则进入预防环节
2）发出下列命令，检查系统是否当前存在非RAC私有网卡被分配169.254这个网段的IP
```sql
# ifconfig -a
..
usb0    Link  encap:Ethernet  HWaddr XX:XX:XX:XX:XX:XX
        inet  addr:169.254.xx.xx   Bcast:169.254.95.255   Mask:255.255.255.0
..
```

如有，则进入预防环节
###发现匹配，如何预防
修改这些网络设备如USB0口不采用DHCP，而是直接采用静态IP
修改dhcp为static，并分配IP
```sql
# vi /etc/sysconfig/network-scripts/ifcfg-usb0 
# BOOTPROTO=dhcp
BOOTPROTO=static
IPADDR=xxx.xxx.xxx.xxx
```
重启网卡，使改变生效
```sql
# /sbin/ifdown  usb0
# /sbin/ifup usb0
# /sbin/ifconfig  usb0
```

X86 Oracle rac

著作权归作者所有

如果觉得我的文章对您有用，请点赞。您的支持将鼓励我继续创作！