金融行业现场故障处理实录

1. KL银行现场服务记录—HA故障

服务时间

2019年9月10日星期二 14：40 到2019年9月11日星期三 0：30

服务内容

• 排查redhat RHEL 6.4 一个节点cman启动故障。

（1）、查看系统日志；

（2）、查看ha日志，/etc/cluster下各日志文件；

（3）、clustat查看集群状态，提示cman未运行；

（4）、查看集群配置文件/etc/cluster.conf;

（5）、对比另一个正常运行节点的状态及日志输出；

（6）、运行指令 strace –f –o /tmp/cman.log /etc/init.d/cman status ，生成跟踪文件；

strace –f –o /tmp/cman.log /etc/init.d/cman status

由于当前不能执行cman启动操作，故障暂时不能排除。

• 新的华为服务器，由于使用了UEFI代替老旧的bios进行引导管理，客户在安装redhat RHEL6.4时进行 不下去，顺便协助他正确完成安装。
• Ha挂接的共享盘报“no clean”,预判文件系统存在问题，准备服务停止后，卸载挂接，然后修复（fsck）。

1. MS银行（顺义）现场服务记录--kdump故障

问题描述

某Redhat RHEL 6.X系统部署应用以后，运行一段时间，可能会出现系统挂起现象，挂起时间不确定。相关人员怀疑是应用所引起的，为了弄清事实真相，需要在系统挂起前导出core文件。

系统已经配置好kdump，但在启动kdump服务时，无法成功。因此现场服务的主要任务时排查kdump启动故障。

排查过程

• 检查相关的软件包是否正确安装：rpm-qa|grep kexec-tool ，已经被正确的安装。
• 检查kdump.conf配置文件,为发现异常；
• 检查系统日志/var/log/messages,未发现有价值信息；
• 试着启动服务 service kdump start ，输出提示”找不到内核文件 kernel-15…”。初步判断问题出现在这里。这个数字15是哪里来的呢？
• 打开文件/etc/sysconfig/kdump，发现其有效行的第一行有异常

通过对比其他正常系统的配置，其值默认为空，不为“15”。在征得同意以后，对其修改，并启动kdump服务。

处理结果

故障排除，完成服务。

1. TK保险服务器重启排查记录

主要现象

近期以来，每隔2天左右会自动重启，并且重启时间不固定。

主要信息收集

• 硬件信息：4颗物理cpu，总核数96，总线程数192；内存1T;磁盘多路径连接，划分多个逻辑卷。

• 操作系统为redhat RHEL 7.4，内核版本3.10.0-693.未进行过版本更新。
• 应用为db2数据库。

排查过程

• 查看系统日志，dmesg及打开文件/var/log/messages，并用关键字error、fatal、warning等进行过滤。

egrep –i “error|fatal|warning” /var/log/messages

未发现有价值信息。

• 查看系统用户，存在多个普通用户，并拥有shell（bash）。
• 查看用户授权，主要是/etc/suders，使用的命令 visudo 。虽然授权指令较多，但未发现有reboot指令的权限授予。
• 排查用户的计划任务，因为用户较多，使用如下脚本进行查找。

for u in `cat /etc/passwd | cut -d":" -f1`;do sudo crontab -l -u $u;done

发现db2数据库启动账号有个重启脚本，设定的时间是每天早上8点。搜索此脚本及所在路径，不存在，建议注释掉此条。

• 用户反馈，说二线技术支持曾经远程配置了kdump，模拟系统崩溃能生成vmcore文件，但昨天早上（6：00多钟）系统崩溃发生重启，却没有生成转储文件。查看文件/etc/default/grub及/boot/grub2/grub.cfg，其中 crashkernel=786M@0M。鉴于此，把crashkernel的值改成786M，去掉了后边的偏移量。再修改文件/etc/kdump.conf，启用压缩功能。

core_collector makedumpfile -c --message-level 1 -d 31

增加一個选项“-c”，表示启用压缩。

grub2-mkconfig -o /boot/grub2/grub.cfg  

重新生成grub配置，需要重启才能生效。

• 查看系统参数kernel.sysrq，其值为16,手动方式修改文件 /etc/sysctl.conf，显示指定

修改完执行 sysctl –p 使其生效。

• 执行下列指令，模拟故障发生。

重启完成后，在目录/var/crash确实生成了大文件，大小为4G。

服务建议

等下一次重启，如果生成了vmcore文件，把此文件传到case附件里边，有后台技术对其进行分析。

1. TK人寿系统修复操作记录

问题及成因

一虚拟机系统， 不能正常引导，但还能进入单用户模式。此虚拟机没有对镜像进行备份，因此无法还原。系统中有用户的数据，因此不能通过重新安装系统来进行有效恢复。

通过沟通，了解到是用户自己在远程执行一個ssh脚本，此脚本有一行”chmod –R 777”的指令，本意是共享一個nfs服务目录，但因为为对目录是否存在进行判断，因此一执行完脚本，所有的目录文件的权限都变成777了。

处理过程

找一台运行正常的，版本一致的系统，对比/etc目录里各种权限与验证有关的目录和权限，如 passwd、shadow、ssh等。用chmod指令逐一进行修改，修改一些权限以后，重启系统，直到能正常运行，并且能用ssh远程登录。

处理结果及建议

交付给用户，然后建议重装系统。但用户自己认为没啥问题，以后再说。