一次RAC VIP漂移的结果诊断及修复

背景概述 客户的10G数据库VIP出现宕，引起VIP负载到另一个节点 事件支持细节 04:29:56.378 一号机器VIP 出现 went OFFLINE unexp

背景概述

客户的10G数据库VIP出现宕，引起VIP负载到另一个节点

事件支持细节

04:29:56.378 一号机器VIP 出现 went OFFLINE unexpectedly，当天出现这个VIP漂移的故障后为检查VIP宕掉的原因，

对VIP资源启动DEBUG 5模式：./crsctl debug log res "orahostname1.vip:5"

04:38:36.047 一号节点VIP 出现 went OFFLINE unexpectedly。

根据ora.hostname.vip.log日志显示，出现VIP宕原因基本可以确定为公网IP与缺省网管通讯不畅引起。

根据Oracle管方建议，调整racgvip程序中的参数从 FAIL_WHEN_DEFAULTGW_NO_FOUND=1 修改成

FAIL_WHEN_DEFAULTGW_NO_FOUND=0

但是调整完后故障依旧

04:17:37.822: [ CRSRES][11025]32ora.hostname1.vip on hostname1 went OFFLINE unexpectedly

为明确原因，再次收集ora.hostname1.vip.log及racgvip 信息进行分析

分析结果如下：

在racgvip程序中，有如下代码

# Check the status of the interface thro' pinging gateway

if [ -n "$DEFAULTGW" ]

then

_RET=1

# get base IP address of the interface

tmpIP=`$LSATTR -El ${_IF} -a netaddr | $AWK '{print $2}'`

# get RX packets numbers (bug8341569,9157855->bug9743421)

_O1=`$NETSTAT -n -I $_IF | $AWK "{ if (/^$_IF/) {print \\$(NF-4); exit}}"`

x=$CHECK_TIMES

while [ $x -gt 0 ]

do

if [ -n "$tmpIP" ]

then

logx "About to execute command: $PING -S $tmpIP $PING_TIMEOUT $DEFAULTGW"

$PING -S $tmpIP $PING_TIMEOUT $DEFAULTGW > /dev/null 2>&1

else

logx "About to execute command: $PING $PING_TIMEOUT $DEFAULTGW"

$PING $PING_TIMEOUT $DEFAULTGW > /dev/null 2>&1

fi

_O2=`$NETSTAT -n -I $_IF | $AWK "{ if (/^$_IF/) {print \\$(NF-4); exit}}"`

if [ "$_O1" != "$_O2" ]

then

# RX packets numbers changed

_RET=0

break

fi

$SLEEP 1

x=`$EXPR $x - 1`

done

if [ $_RET -ne 0 ]

then

logx "IsIfAlive: RX packets checked if=$_IF failed"

else

logx "IsIfAlive: RX packets checked if=$_IF OK"

fi

else

logx "IsIfAlive: Default gateway is not defined (host=$HOSTNAME)"

if [ $FAIL_WHEN_DEFAULTGW_NO_FOUND -eq 1 ]

then

_RET=1

else

_RET=0

fi

fi

从源码我们可以看到检查缺省网关的处理逻辑

1、如果检测到缺省网关存在执行网管检查逻辑

2、_01收集网卡网络包量

3、$PING -S $tmpIP $PING_TIMEOUT $DEFAULTGW ping网管

4、_02再次收集网卡网络包量

5、如果_01网卡网络包量 与 _02网卡网络包量不相同，表明网卡与缺省网卡之间通讯正常 _RET 返回编码为0

6、如果_01网卡网络包量 与 _02网卡网络包量相同，_RET 返回编码没指定，缺省返回1，同时打印日志logx "IsIfAlive: RX packets checked if=$_IF failed"，即判断网卡失败。

FAIL_WHEN_DEFAULTGW_NO_FOUND参数从1修改成0，是为了跳过网关ping检测，而从源码中我们可以看到，FAIL_WHEN_DEFAULTGW_NO_FOUND参数只有在网卡参数$DEFAULTGW为空才生效，即主机上没有配置网关并且参数FAIL_WHEN_DEFAULTGW_NO_FOUND配置为非1时返回码RET为0。

由于我们的环境中DEFAULTGW能获取成功及DEFAULTGW非空，导致程序没有进入FAIL_WHEN_DEFAULTGW_NO_FOUND判断是否为1的处理流程。

故障期间DEBUG错误信息如下：

2013-11-06 04:17:37.776: [ RACG][1] [18219068][1][ora.s9lp1.vip]: Wed Nov 6 04:17:33 CST 2013 [ 6422696 ] checkIf: start for if=en5

Wed Nov 6 04:17:33 CST 2013 [ 6422696 ] IsIfAlive: start for if=en5

Wed Nov 6 04:17:33 CST 2013 [ 6422696 ] defaultgw: started

2013-11-06 04:17:37.776: [ RACG][1] [18219068][1][ora.s9lp1.vip]: Wed Nov 6 04:17:33 CST 2013 [ 6422696 ] defaultgw: completed with 10.0.241.254 （网关获取成功，网关为10.0.241.254）

Wed Nov 6 04:17:33 CST 2013 [ 6422696 ] About to execute command: /usr/sbin/ping -S 10.0.241.150 -c 1 -w 1 10.0.241.254

2013-11-06 04:17:37.777: [ RACG][1] [18219068][1][ora.s9lp1.vip]: Wed Nov 6 04:17:35 CST 2013 [ 6422696 ] About to execute command: /usr/sbin/ping -S 10.0.241.150 -c 1 -w 1 10.0.241.254 （PING 网关）

Wed Nov 6 04:17:37 CST 2013 [ 6422696 ] IsIfAlive: RX packets checked if=en5 failed（由于检查到网卡en5在2秒中内网卡流量包未方式变化，判断为en5失败）

1、故障每次发生都在凌晨04左右，时间如下：

2013-10-28 04:29:56

2013-11-01 04:38:36

2013-11-06 04:17:37
2、从源码上分析，发生故障期间网卡en5连续1秒的网络包未变化

可能的原因：

ping -S 10.0.241.150 -c 1 -w 1 10.0.241.254

Oracle检测网管时，由于当时网络质量不好导致ping不能在1秒钟内返回结果。

引起网卡en5 ping前 ping后没有 网络包发生变化。

根据以上分析我们建议：

1、修改racgvip源码跳过网管检测

修改前：

# Check the status of the interface thro' pinging gateway

if [ -n "$DEFAULTGW" ]

修改后：

# Check the status of the interface thro' pinging gateway
if [ -n "$DEFAULTGW" -a $FAIL_WHEN_DEFAULTGW_NO_FOUND -eq 1 ]

查阅oracle11.2.0.3版本的 RACGVIP代码，同样以次修改

以下为Oracle11G的racgvip代码

if [ -n "$DEFAULTGW" -a $FAIL_WHEN_DEFAULTGW_NOT_FOUND -eq 1 ]

then

_RET=1

# get RX packets numbers

_O1=`$IFCONFIG $_IF | $AWK '{ if (/RX packets:/) { sub("packets:", "", $2); print $2}}'`

x=$CHECK_TIMES

while [ $x -gt 0 ]

do

logx "About to execute $PING -r -I $_IF $DEFAULTGW $PING_TIMEOUT"

$PING -r -I $_IF $DEFAULTGW $PING_TIMEOUT > /dev/null 2>&1

rc=$?

if [ $rc -eq 0 ]

then

_RET=0

break

else

echo "ping to $DEFAULTGW via $_IF failed, rc = $rc (host=$HOSTNAME)"

fi

x=$(($x-1))

done

结论及解决方案

修改racgvip代码

修改完成后，，需要观察ora.s9lp1.vip.log里出现如下信息：

IsIfAlive: Default gateway is not defined (host=$HOSTNAME)

表明修改失效