云计算之路-阿里云上:节点 CPU 波动引发 docker swarm 集群故障
2018-01-26 11:08
991 查看
非常抱歉,今天 10:05-10:20 左右,我们用阿里云服务器搭建的 docker swarm 集群又出现故障,又是因为突然的节点 CPU 波动。
受这次故障影响的站点有 闪存,博问,班级,园子,短信息,招聘,小组,网摘,openapi ,由此给您带来很大的麻烦,请您谅解。
故障前先是有一个 worker 节点出现 CPU 100% 报警:
云服务器ECS实例:swarm1-node5,CPU使用率于10:00发生告警,值为100%,持续时间1分钟
收到报警后,我们将这个节点下线并重启:
然后,3 个 manager 节点一个接一个地 ssh 无法登录,之后整个集群宕机,跑在集群上的所有站点无法访问。
随后,我们通过阿里云控制台强制重启 manager 节点,但重启后集群无法恢复:
Error response from daemon: rpc error: code = Unknown desc = The swarm does not have a leader. It's possible that too few managers are online. Make sure more than half of the managers are online.
这时别无选择,我们立即执行 shell 脚本重建集群:
(注:这也是我们选择自建 docker swarm 集群没有选择阿里云容器服务的原因之一,可以快速地用脚本重建集群)
重建集群后,一切恢复正常。
附1:docker 版本是 Docker version 17.12.0-ce, build c97c6d6 。
附2:集群中各个节点的 CPU 监控图:
1)swarm1-node1(manager节点)
2)swarm1-node2(manager节点)
3)swarm1-node3(manager节点)
4)swarm1-node4(worker 节点)
5)swarm1-node5(worker 节点)
受这次故障影响的站点有 闪存,博问,班级,园子,短信息,招聘,小组,网摘,openapi ,由此给您带来很大的麻烦,请您谅解。
故障前先是有一个 worker 节点出现 CPU 100% 报警:
云服务器ECS实例:swarm1-node5,CPU使用率于10:00发生告警,值为100%,持续时间1分钟
收到报警后,我们将这个节点下线并重启:
docker node update --availability drain swarm1-node5
然后,3 个 manager 节点一个接一个地 ssh 无法登录,之后整个集群宕机,跑在集群上的所有站点无法访问。
随后,我们通过阿里云控制台强制重启 manager 节点,但重启后集群无法恢复:
Error response from daemon: rpc error: code = Unknown desc = The swarm does not have a leader. It's possible that too few managers are online. Make sure more than half of the managers are online.
这时别无选择,我们立即执行 shell 脚本重建集群:
# ./rebuild-production-swarm.sh Swarm initialized: current node (id6b69wj83ok2cf3tnsg7vm8l) is now a manager.
(注:这也是我们选择自建 docker swarm 集群没有选择阿里云容器服务的原因之一,可以快速地用脚本重建集群)
重建集群后,一切恢复正常。
附1:docker 版本是 Docker version 17.12.0-ce, build c97c6d6 。
附2:集群中各个节点的 CPU 监控图:
1)swarm1-node1(manager节点)
2)swarm1-node2(manager节点)
3)swarm1-node3(manager节点)
4)swarm1-node4(worker 节点)
5)swarm1-node5(worker 节点)
相关文章推荐
- 【故障公告】10:30-10:45 左右 docker swarm 集群节点问题引发故障
- 云计算之路-阿里云上:启用Windows虚拟内存引发的CPU 100%故障
- 云计算之路-阿里云上: RDS实例CPU跑满引发的故障
- 云计算之路-阿里云上:14:20-14:55博客后台2台服务器都CPU 100%引发的故障
- 阿里云:重启 manager 节点引发 docker swarm 集群宕机
- 云计算之路-阿里云上-容器难容:自建docker swarm集群遭遇无法解决的问题
- 云计算之路-阿里云上:重启 manager 节点引发 docker swarm 集群宕机
- 云计算之路-阿里云上:docker swarm 集群故障与异常
- 云计算之路-阿里云上:部分服务器未及时续费造成docker swarm集群故障
- 云计算之路-阿里云上:SLB故障引发的网站不能正常访问
- 云计算之路-阿里云上-2017年最错误的选择: 生产环境使用 docker swarm
- 云计算之路-阿里云上-容器难容:容器服务故障以及自建 docker swarm 集群故障
- 云计算之路-阿里云上:为什么看不见CPU在坐过山车,磁盘IO在蹦极
- 故障公告:docker swarm集群“群龙无首”造成部分站点无法访问
- 云计算之路-迁入阿里云后:20130314云服务器故障经过
- 云计算之路-阿里云上:2014年6月12日16:14遭遇SLB故障
- 云计算之路-阿里云上:4000IOPS的RDS+16核CPU的负载均衡
- 云计算之路-阿里云上:禁用Windows虚拟内存引发的重启
- 云计算之路-阿里云上:0:25~0:40网络存储故障造成网站不能正常访问
- Docker创建Docker Swarm集群节点