Zavírání soketů PowerFlex SDS bez problémů se sítí

Scénář
SDS hlásí, že sockety byly uzavřeny vzdálenými procesy (SDC, SDS, MDM) a nebyly pozorovány žádné události výpadku síťové karty, zahozené rámce nebo ztráta paketů. 

Symptomy
Protokol událostí hlásí ztrátu konektivity SDS, a to buď oddělení, nebo opětovné připojení: 

2017-11-11 16:52:12.101 SDS_RECONNECTED           INFO     	 SDS: xyz_d35 (ID 67211111110089) reconnected 
2017-11-11 16:52:13.690 MDM_DATA_FAILED           CRITICAL 	 The system is now in DATA FAILURE state. Some data is unavailable. 
2017-11-11 16:52:15.791 MDM_DATA_DEGRADED         ERROR    	 The system is now in DEGRADED state. 

Předtím se v trasování SDS zobrazí chyby, jako jsou tyto.

SDS se pokusil odeslat a odpověď trvala >1 sekundu:

11/11 16:52:04.527408 0x7ff0b19eaeb0:contNet_OscillationNotif:01720: Con 672cb111110099 - Oscillation of type 5 (RPC_LINGERED_1SEC) reported

Zásuvka s peerem byla uzavřena z druhé strany, protože neobdrželi naše odesílání keepalives nižší úrovně:

11/11 16:52:06.241105 0x7ff0b19e1eb0:contNet_OscillationNotif:01720: Con a71d2b5d00000078 - Oscillation of type 1 (SOCKET_DOWN) reported 

Jiný příklad toho vypadá takto:

11/11 16:52:06.241224 0x7ff0b19e1eb0:contNet_OscillationNotif:01720: Con a71d2b3c00000057 - Oscillation of type 2 (IO_ERROR) reported

Další indikátory:
Iterace
Časovač udržování sítě ScaleIO nižší úrovně se měří v iteracích, které jsou dlouhé 100 milisekund.

Časový limit MDM-SDS> je 20 iterací nebo 2 s, zatímco časový limit MDM-MDM keepalive jsou 3 iterace nebo 300 ms.

Překročeno dvacet iterací:

11/11 16:52:11.685281 0x7ff752d1beb0:netPath_IsKaNeeded:01858:  :: Connected Live CLIENT path 0x7ff6e2192a00 of portal 0x7ff6e2192900 net 0x7ff7480e1110 socket 210 inflights 0 didn't receive message for 20 iterations from 10.124.162.109:7072. Marking as down  

Sockets down Tyto stopy indikují, kdy došlo k výpadku socketů:

11/11 16:52:09.787793 0x7ff752cf7eb0:tgtMgr_TgtOscCB:07696: Con 672cba7400000089 Network address 10.124.130.109 - Oscillation of type SOCKET_DOWN reported

11/11 16:52:11.685290 0x7ff752d1beb0:tgtMgr_TgtOscCB:07696: Con 672cba7400000089 Network address 10.124.162.109 - Oscillation of type RCV_KA_DISCONNECT reported
11/11 16:52:11.685308 0x7ff752cf7eb0:tgtMgr_TgtOscCB:07696: Con 672cba7400000089 Network address 10.124.162.109 - Oscillation of type SOCKET_DOWN reported

Tento tisk znamená, že poslední soket úložiště SDS spadl a jedná se o bod, ve kterém je SDS považován za odpojený:

11/11 16:52:11.685319 0x7ff752cf7eb0:tgtMgr_TgtDisconnectCB:07818: Tgt: 672cba7400000089 ConId: 672cba7400000089

MDM vydá příkaz addmdm, aby se SDS znovu připojil. 

Víme, že k IO_FAULT_BLOCKED dochází, když SDS odmítne I/O
, protože se nemůže spojit s uzlem MDM, ale tyto informace nejsou úplné.

SDS odesílá keepalives do uzlu MDM každou sekundu. Pokud to uzel MDM po dobu 5 s nezíská, časový limit SDS se považuje za vypršený a označí se jako odpojený.

MDM odesílá SDS každou sekundu zprávu "pokračujte v práci". Pokud systém SDS po dobu 5 sekund neobdrží tuto zprávu, odmítne IO s IO_FAULT_BLOCKED: 

11/11 16:52:12.007045 0x7ff0b0cdfeb0:ioh_NewRequest:05490: Write to comb f778038007f - Done rc is IO_FAULT_BLOCKED (Lba 6721528 8), volume 6e1a2f4a0000075d (dit)
11/11 16:52:12.008825 0x7ff0b0ec5eb0:ioh_NewRequest:05490: Write to comb f78803903fc - Done rc is IO_FAULT_BLOCKED (Lba 5031040 6), volume 6e1a2f4c0000075f (dit)
11/11 16:52:12.017262 0x7ff0b26daeb0:ioh_NewRequest:05490: Write to comb f768037003e - Done rc is IO_FAULT_BLOCKED (Lba 15106144 16), volume 6e1a2f490000075c (dit)

Důsledky

Ztráta konektivity SDS

Během stavu data_degraded nebo režimu okamžité údržby to může způsobit DU.

Příčinou selhání IO v tomto příkladu bylo to, že (5 s) zapůjčení SDS nevypršelo, ale vypršel časový limit sítě nižší úrovně (2 s).

Hlavní příčinou je jeden nebo více z následujících důvodů: 

1 – Problémy
s TCP/sítí A – To se pravděpodobně projeví při opakovaných přenosech TCP, což značí problémy s hardwarem/konfigurací. (Problémy s kabelem, kartou NIC, přepínačem atd.) Jak je patrné z výstupu 

sar -n ETCP 1

Výstupem je:

 Linux 3.10.0-693.5.2.el7.x86_64 (SIO-DCOE-96O-3)        12/13/2017      _x86_64_        (48 CPU)

04:33:44 PM  atmptf/s  estres/s retrans/s isegerr/s   orsts/s
04:33:45 PM      0.00      0.00     50.00      0.00      0.00
04:33:46 PM      2.00      0.00     75.00      0.00      0.00
04:33:47 PM      0.00      0.00    223.00      0.00      0.00
04:33:48 PM      0.00      0.00    106.00      0.00      0.00
04:33:49 PM      2.00      0.00     58.00      0.00      0.00
04:33:50 PM      0.00      0.00      5.00      0.00      0.00
04:33:51 PM      0.00      0.00      7.00      0.00      0.00
04:33:52 PM      2.00      0.00      2.00      0.00      0.00
04:33:53 PM      0.00      0.00      1.00      0.00      0.00
^C

04:33:53 PM      0.00      0.00      0.00      0.00      0.00
Average:         0.65      0.00     99.00      0.00      0.00

Reference:

• Zelená = jednoduché číslice/s
• Žlutá = vysoké dvouciferné hodnoty až 50/s
• Červená = >50/s

B-V případě starších linuxových distribucí, jako je SusE 11 SP3 na našich SVM, lze sledovat síťové opakované přenosy pomocí následujícího příkazu:

watch -d -n 2 "netstat -s |grep retrans"

Výstupy, jak je uvedeno níže, se zvýrazněním znaků, které se aktualizovaly během posledního intervalu:

Every 2.0s: netstat -s |grep retrans                                                                                                                                                   Wed Dec 13 09:55:10 2017

    1244070 segments retransmited

2 – Problémy s procesorem, hladovění procesu.
To se projevuje jako simultánní pozastavení v trasování každé komponenty SIO se spoustou soketů, které se při obnovení uzavřou jako první řádky v trasování. 
Mezera se zobrazuje v souboru LIA, SDS, MDM/TB, SDC/messages.
LIA trace například ukazuje, že se sockety LIA→SDS zavírají po uplynutí časového limitu 3 s (30 iterací x 100 ms):

11/11 16:52:11.597227 0x7f44c41c6eb0:netPath_IsKaNeeded:01858:  :: Connected Live SERVER path 0x7f44c4195690 of portal 0x7f44c4192bb0 net 0x83b040 socket 8 inflights 0 didn't receive message for 30 iterations from 127.0.0.1:43228. Marking as down
11/11 16:52:12.031195 0x7f44c419eeb0:liaNet_DisconnectedNotif:01553: Con aed disconnected
11/11 16:52:12.158383 0x7f44c419eeb0:liaNet_ConnectedNotif:01483: Con aed  connected

3- Možná máme chybu někde v SIO. Je pravděpodobné, že nesíťové vlákno drží CPU a neumožňuje spuštění něčeho jiného atd.

Zástupné řešení

Žádné obecné zástupné řešení

Dotčené verze

Vše

Opraveno ve verzi

Není k dispozici