Panika PowerFlex SDS způsobená chybou jádra systému Linux

Scénář

• Intel Haswell Procesor je používán.
• Jeden z úložišť SDS hlásí stav "data degraded" a SDC ztratil připojení ke svazkům, a to bez zjevného důvodu.
• Panika SDS
   

Příznaky

• Systémové události ScaleIO hlásí "data degraded":

ScaleIO system events report "data degraded":
205466 2015-12-10 08:11:49.450 MDM_DATA_DEGRADED ERROR The system is now in DEGRADED state.
205468 2015-12-10 08:12:04.688 MDM_DATA_DEGRADED ERROR The system is now in DEGRADED state.
205470 2015-12-10 08:12:06.699 MDM_DATA_DEGRADED ERROR The system is now in DEGRADED state.
205472 2015-12-10 08:12:16.931 MDM_DATA_DEGRADED ERROR The system is now in DEGRADED state.

SDS exp.0:

10/12 02:13:14.134144 Panic in file /emc/svc_flashbld/workspace/ScaleIO-SLES12/src/tgt/ioh/ioh.c, line 70, function iohIo_TimerExpired, PID 22333.Panic Expression !(1).
/opt/emc/scaleio/sds/bin/sds-1.32.3455.5(mosDbg_BackTrace+0x22) [0x479ba9]
/opt/emc/scaleio/sds/bin/sds-1.32.3455.5(mosDbg_Panic+0xf0) [0x4740ad]
/opt/emc/scaleio/sds/bin/sds-1.32.3455.5(iohIo_TimerExpired+0x5d) [0x43d92d]
/opt/emc/scaleio/sds/bin/sds-1.32.3455.5(mosTimerQ_PollUnlocked+0x1b4) [0x46f6e3]
/opt/emc/scaleio/sds/bin/sds-1.32.3455.5(mosTimer_PollQRange+0x83) [0x46fa6c]
/opt/emc/scaleio/sds/bin/sds-1.32.3455.5(netPoll_StartIntr+0x2ef) [0x465808]
/opt/emc/scaleio/sds/bin/sds-1.32.3455.5(mosUmt_StartFunc+0xbe) [0x47f07d]
/opt/emc/scaleio/sds/bin/sds-1.32.3455.5(mosUmt_SignalHandler+0x4a) [0x47fa3a]

Důsledky

• Data nejsou k dispozici.
• SDC ztratilo připojení ke svazkům.
• Selhání I/O
• Dlouhé I/O snížení služby/výkonu

Kvůli chybě linuxového jádra se proces SDS choval abnormálně, kvůli tomuto stavu byl proces SDS ve stresu a chování bylo nepředvídatelné.
Při odpovídání na požadavky Keep Alive nebyl SDS plně funkční a nereagoval na požadavky SDC I/O.
Taková podmínka neumožňovala společnosti ScaleIO označit SDS jako nefunkční, což nakonec vedlo k nedostupnosti dat.

• Informace o chybě linuxového jádra:
  Futex: Oprava konfliktu časování mezi REQUEUE_PI a smrtí úlohy (bcn #851603 (řada škálovatelnosti futex).
  Futex: Ujistěte se, že get_futex_key_refs() vždy implikuje překážku (bcn #851603 (řada škálovatelnosti futex)).
   
• Další informace naleznete na následujících odkazech:
  Suse:SUSE-SU-2015:0068-1
  Red Hat: Závažná chyba Red Hat Linuxu postihuje servery Haswell - InfoQ

Zástupné řešení

• Aktualizace verze linuxového jádra.