ESX在同一个vcenter集群中托管崩溃

Question

我有一个由12个ESX主机(ClusterA)组成的vcenter集群，还有一个由3个ESX主机(ClusterB)组成的集群。所有这些都是poweredge r620s和r630s的混合体。

一些主机有硬件错误，可以在iDRAC日志和液晶显示屏幕前看到，例如：

• CPU机器检查错误
• 超出预期的可纠正内存错误率，导致这些主机在群集中不可用(未响应)。

修复这些硬件错误通常涉及以下步骤：

1. 断电
2. 删除网卡
3. 打开电源，等待成功引导到操作系统
4. 断电
5. 把相同的网卡放回
6. 我感到奇怪的是，这会修复CPU和内存错误，但这是一贯发生的情况。

ClusterB很好-从来没有问题。我面临的真正问题是，当我从ClusterA修复两个主机时，ClusterA中的1-3个随机主机将在一两天内崩溃。在最初的1-3次崩溃之后，如果我把事情放在一边，几周后就不会再有主机崩溃了。这使我回到了我开始的地方，我已经观察到这种行为好几次了。

有什么好查的吗？

Answer 1

R620 / R630非常老，所以对于初学者来说，他们可能只是处于最后一条腿上，并且有合法的硬件故障。也就是说，有可能导致这些问题的事情：

• 电源-在iDRAC中静态地设置P状态和功率到最大输出。有时，如果事情不能正常工作，您可能会看到由于功耗节省措施而产生的奇怪的处理器行为。
• 温度-我也看到数据中心运行在正常运行温度之外的那些错误。
• BIOS补丁--这是一些旧的服务器，但是，例如，如果p状态或其他类似的问题，这是获得修复的最好方法，但我想戴尔的支持应该已经告诉你了。
• 其他硬件异常？iDRAC日志中有什么奇怪的地方吗？