- 综合排序
- 最热优先
- 最新优先
NVMe 盘故障排查 5 步速查
但 252 块盘全部 DISK_OK，说明 Pangu 还没把 nvme9n1 标记为故障。Abnormal Chunks 只有 2 个且 副本数并未归零 → 全局数据安全，今晚可以睡个好觉。 5. 检查文件系统是否只读或掉盘lsblk | grep nvme9n1mount | grep nvme9n1如果盘已掉线（lsblk 看不到），或文件系统变只读，说明盘已不可恢复。
49910编辑于 2025-11-21- 来自专栏不温卜火
Flume快速入门系列(5) | 负载均衡和故障转移
此篇博文讲的是Flume的负载均衡和故障转移。 单Source、Channel多Sink(负载均衡)如下图所示。 ? 1. 100 # Bind the source and sink to the channel a3.sources.r1.channels = c2 a3.sinks.k1.channel = c2 5.
1.2K30发布于 2020-10-28 - 来自专栏devops_k8s
k8s集群5个故障案例分析
1 简介 最近看到了一份收集Kubernetes故障案例的资料，资料由ZalandoTech的高级首席工程师Henning Jacobs加以维护。 k8s.af上的案例由工程师和实施者编写，描述了许多糟糕的经历：比如导致高延迟的CPU限制、阻止自动扩展的IP上限、应用程序日志丢失、pod被终止、502 错误、部署缓慢和生产环境故障等。 PrometheusKube讲述了一个奇怪的故障案例——有一天，某个节点莫名其妙地停止发送日志。工作团队使用fluent-bit来发送日志，注意到Elasticsearch未满足某些请求。 5 负载均衡系统配置错误导致完全中断 生产环境中断、停运、甚至生产环境部分中断都会大大影响用户体验，并抑制业务增长。 原文链接：https://containerjournal.com/editorial-calendar/best-of-2021/how-not-to-use-kubernetes-5-failure-stories
3.3K40编辑于 2022-03-14 - 来自专栏爱可生开源社区
故障分析 | Greenplum Segment 故障处理
其中故障存在三种类别：Master故障、Segment故障、数据异常。之前我们已经聊过“Master故障”和“数据异常”的处理方式，今天将介绍Segment故障的处理方式。 二、本地模拟故障环境：2.1、第一种情况：段故障。 :master:gpadmin-[WARNING]:-4 mirror segment(s) acting as primaries are not synchronized2.2、第二种情况：表空间故障 gpadmin-[INFO]:- data05 56001 Up Process error -- database process may be down三、故障分析及解决 16 | 5 | m | m | s | u | 56002 | data03 | data03 | /greenplum/gpdata
2.6K40编辑于 2023-02-02 - 来自专栏Lambda
RabbitMQ集群恢复与故障转移的5种解决方案
RabbitMQ会mock一个节点代表A，执行 forget_cluster_node命令将B剔除cluster，然后A就可以正常的启动了，最后将新的Slave节点加入A即可恢复镜像队列 ---- 场景5： A先停、B后停，且A、B均无法恢复，但是能得到A或B的磁盘文件 方案5：这种场景更加难处理，只能通过恢复数据的方式去尝试恢复，将A与B的数据文件模式在$RABBIT_HOME/var/lib/目录中，
1.8K31编辑于 2022-04-13 - 来自专栏FunTester
线上故障与故障测试
故障测试好处 故障测试是预防线上故障的关键手段。线上故障的不可预测性：线上系统在运行过程中可能面临各种不可预见的故障，例如硬件故障、软件缺陷、网络波动或外部攻击。 这些故障往往具有突发性和不可控性，可能对业务造成严重影响。故障测试的预防作用：通过故障测试，可以主动模拟各种可能的故障场景，验证系统在异常情况下的表现。 故障测试为线上故障的应对提供数据支持。故障场景的模拟与分析：通过故障测试，可以积累大量关于系统在故障情况下的行为数据。这些数据可以帮助团队更好地理解系统的弱点，并为制定应急预案提供依据。 实际故障的反馈作用：每一次线上故障的发生都为故障测试提供了真实的案例和反馈。通过分析故障原因，可以进一步完善故障测试的场景和方法。持续改进测试策略：线上故障的多样性和复杂性要求故障测试不断演进。 线上故障与故障测试之间的关系可以概括为“预防与反馈”的循环。故障测试通过模拟故障场景，帮助预防和减少线上故障的发生；而线上故障则为故障测试提供了真实的案例和改进方向。
72910编辑于 2025-02-19 - 来自专栏爱可生开源社区
故障分析 | Greenplum 集群 standby 故障处理
3、本地模拟客户环境：3.1、本地Greenplum集群环境：1台Master；1台standby Master；5台segment计算节点，每个节点4个段，每个段有镜像，一共是40个段。 auto postgres[gpadmin@standby01 ~]$ cd /greenplum/gpdata/master/[gpadmin@standby01 master]$ ll总用量 04、故障分析及解决 4.2、清除有故障的主机的（备库）配置信息：[gpadmin@master01 ~]$ gpinitstandby -r执行过程省略，但有个选项需要确认：Do you want to continue 00:00:00 postgres: 5432, wal receiver process streaming 0/281E5D60gpadmin 18586 17298 0 19:06 pts 5、额外补充：如果Greenplum集群中master节点故障，处理思路：1）先把standby提升为新master，确保集群第一时间可用，提供对外服务；2）修复旧master，并添加到集群中成为新standby
1.4K10编辑于 2022-12-07 - 来自专栏运维之路
事中故障处理（4）故障定位
故障恢复指恢复业务连续性的应急操作，很多故障是在不断尝试验证解决恢复的动作，所以故障恢复环节与故障定位环节有一定的交叠，或在这两个环节之间不断试错的循环，即故障恢复操作可能和故障诊断是同时，也可能是诊断之后或诊断之前 1.已知预案下的恢复三把斧 在故障管理过程中，通常大部分故障有一些明确的故障恢复预案，比如基础设施、服务器、网络设备、网络线路，以及应用系统层中关于服务可用性等故障因素，以及基于历史故障经验积累的方案。 以一个复杂故障应急场景中，很多时候故障处置的决策人员通常一方面协调人员现场分析问题，另一方面指挥启动已知预案的应急。 、数据完整性的故障恢复，这些故障恢复通常需要现场临时决断恢复。 结束 注：“3.4 事中处置”另外3个环节内容链接： 1.故障发现、故障响应 2.故障定位
2K31发布于 2021-10-08 - 来自专栏用户1175783的专栏
# 故障恢复
mysqld] read_only=1 1 2 通过sql命令（配合第一种方式使用） 该命令需要超级管理员才有权限执行，在自动切换主从时有用 set global read_only=1; 1 # 故障恢复
1.1K20发布于 2020-05-09 - 来自专栏爱可生开源社区
故障分析 | cassandra 集群数据故障转移
---一、前情提要：我们知道 cassandra 具有分区容错性和强一致性，但是当数据所在主机发生故障时，该主机对应的数据副本该何去何从呢？是否跟宿主机一样变得不可用呢？ 测试并查看集群中出现故障节点后的数据分布情况：94机器关闭服务：systemctl stop cassandra[cassandra@data01 ~]$ nodetool statusDatacenter ，因此可以看到，在 dc1 数据中心中，数据随机仍只分布在其中三个节点上，而 dc2 数据中心的数据将分布在了仅有的三个节点上，发生了数据转移；如果此时 dc2 数据中心还有节点继续故障，那么故障节点上的数据不可能再移动到其他节点上了 ，dc1 是不变的，owns 还是300% ，但是 dc2 的 owns都是100% ，没办法故障转移了，只能存在自身的数据了；此时重启所有主机，所有主机 Cassandra 服务都会开启，包括之前故障模拟的节点也会自启 ，那么此时就会达到了另一种效果：故障模拟节点后的状态，再添加到了集群中，那么此时数据又会进行了自动的分发。
1.9K20编辑于 2023-01-17 - 来自专栏linux运维
硬件故障
检查内存（RAM）内存故障可能导致系统崩溃、蓝屏或性能下降。使用内存测试工具使用内存测试工具（如 memtest86+）进行内存检测。 5. 检查主板主板故障可能导致多种问题，包括无法启动、设备无法识别等。检查主板上的指示灯一些主板上有指示灯，可以帮助您诊断问题。例如，内存错误、CPU错误等。 检查外设外设故障可能导致系统不稳定或无法识别设备。检查USB设备断开所有USB设备，然后逐个重新连接，以排除故障设备。检查显卡如果使用独立显卡，确保显卡驱动程序已正确安装，并且显卡连接牢固。7. 替换故障部件如果确定某个部件故障，可以尝试更换该部件。更换内存条如果内存测试失败，更换内存条。更换硬盘如果硬盘检测到错误，更换硬盘。更换电源供应器如果电源供应器有问题，更换电源供应器。10. 送修将故障设备送至专业的维修中心进行检查和维修。
1.2K00编辑于 2025-02-03 - 来自专栏爱可生开源社区
故障分析 | Kubernetes 故障诊断流程
一、本文概述及主要术语 1.1 概述 本文基于 Pod 、Service 和 Ingress 三大模块进行划分，对于 Kubernetes 日常可能出现的故障问题，提供了较为具体的排查步骤，并附上相关解决方法或参考文献 二、故障诊断流程 2.1 Pods 模块检查 以下流程若成功则继续往下进行，若失败则根据提示进行跳转。 0/1 Pending 0 5m kubectl describe pod <pod-name>：若正确输出指定的一个或多个资源的详细信息,则判断是否集群资源不足 [root@10-186-65-37 ~]# kubectl logs myapp-deploy-55b54d55b8-5msx8 127.0.0.1 - - [30/Sep/2021:06:53:16 2.3.5 检查能否在外网通过 Ingress 进行访问 可从外网成功访问，故障排查结束。
1.7K20发布于 2021-11-11 - 来自专栏只喝牛奶的杀手
故障改进
当你解决故障的时候，一定要防止对方对问题提前下结论，如果对方局部的证明是能证明结论是正确的，那从全局来看呢？不要在二手信息上深入讨论，不要用二手信息作为重要依据。 那从整体来看，需要怎么故障改进？ 第一，优化故障获知和故障定位的时间。 从故障发生到我们知道的时间是否可以优化得更短？ 定位故障的时间是否可以更短？ 有哪些地方可以做到自动化？ 第二，优化故障的处理方式。 故障处理时的判断和章法是否科学，是否正确？ 故障处理时的信息是否全透明？ 故障处理时人员是否安排得当？ 第三，优化开发过程中的问题。 做个简短的总结：循序渐进的让故障定位时间变短，持续改善，不要出现好像又是人品的问题，莫名的日了狗，不存在的，归根结底是自己的基础理论修养不够。关于严谨程度，是工程师很重要的品质。
85020编辑于 2022-11-14 - 来自专栏kali blog
【故障处理】BusyBox 故障导致无法启动kali
由于异常关机，在Kali开机后会显示错误提升BusyBox u1.37.0 (Debian 1:1.37.0-4) built-in shell (ash)Enter help’for a list of built-in commands (initramfs) 等字样。如下图：
51610编辑于 2025-07-28 - 来自专栏爱可生开源社区
故障分析 | MySQL OOM 故障应如何下手
前阵子处理这样一个案例，某客户的实例 mysqld 进程内存经常持续增加导致最终被 OOM killer。作为 DBA 肯定想知道有哪些原因可能会导致 OOM（内存溢出）。
2.4K20发布于 2020-04-27 - 来自专栏SRE
故障治理：如何进行故障复盘
三、故障复盘运作机制3.1 故障复盘前准备3.1.1 提交故障报告故障直接原因方（非最终认定的故障责任方）在故障发生后3个工作日内提交故障报告。如故障原因涉及多个部门，需跨部门共同协助撰写故障报告。 复盘会议后，结合故障处理报告形成故障复盘报告定稿，发给所有故障干系人及相关领导。3.1.3 确定故障干系人复盘owner确定故障直接原因方、关联(受影响)方等与故障有关的干系人。 可以基于5why分析法深挖根因，多问几个为什么，层层递进。5why分析法释义详见附录。3.2.5 改进项汇总提升系统可靠性的两个关键手段：降低故障发生概率（MTBF）和缩短故障持续时间（MTTR）。 附录：相关名词解释一、5why分析法：所谓5why分析法，又称“5问法”，也就是对一个问题点连续以5个“为什么”来自问，以追究其根本原因。 虽为5个为什么，但使用时不限定只做“5次为什么的探讨”，主要是必须找到根本原因为止二、MTBF：即平均无故障时间，即平均无故障工作时间，是衡量一个产品（尤其是电器产品）的可靠性指标。单位为“小时”。
1.4K20编辑于 2023-09-12 - 来自专栏爱可生开源社区
故障分析 | MySQL 无监听端口故障排查
擅长数据库故障处理。对数据库技术和 python 有着浓厚的兴趣。本文来源：原创投稿*爱可生开源社区出品，原创内容未经授权不得随意使用，转载请联系小编并注明来源。 ---前言最近解决了一个比较基础的问题故障，由于排查过程挺有意思，于是就以此为素材写出了本篇文章。故障现场防火墙什么的均正常但是无法被远程访问到。简单的使用客户端登录了一下。 ERROR 2003 (HY000): Can't connect to MySQL server on '127.0.0.1' (111)根据以往经验大脑中浮现了几个常见的排查此类故障手法1.排查进程存在 解决方案因为配置 skip-grants-tables 引起无法远程连接 mysql 服务端的故障，解决方法也是非常的简单注释重启。
1.3K20编辑于 2022-09-08 - 来自专栏杨建荣的学习笔记
故障分析 | MySQL 无监听端口故障排查
擅长数据库故障处理。对数据库技术和 python 有着浓厚的兴趣。 本文来源：原创投稿 *爱可生开源社区出品，原创内容未经授权不得随意使用，转载请联系小编并注明来源。 ---- 前言 最近解决了一个比较基础的问题故障，由于排查过程挺有意思，于是就以此为素材写出了本篇文章。 故障现场 防火墙什么的均正常但是无法被远程访问到。简单的使用客户端登录了一下。 ERROR 2003 (HY000): Can't connect to MySQL server on '127.0.0.1' (111) 根据以往经验大脑中浮现了几个常见的排查此类故障手法 1. 解决方案 因为配置 skip-grants-tables 引起无法远程连接 mysql 服务端的故障，解决方法也是非常的简单注释重启。 本文关键字：#故障排查# ---- 文章推荐： 技术分享 | 国产麒麟 arm 上编译安装 xtrabackup8 技术分享 | MySQL 会受到“Unix千年虫“的影响吗 技术分享 | MHA-MasterFailover
2.7K30编辑于 2022-09-14 - 来自专栏运维之路
3.4 事中故障处理（3）故障定位
故障定位指诊断故障直接原因或根因，故障定位有助于故障恢复动作更加有效。故障定位通常是整个故障过程中耗时最长的环节，定位的目标围绕在快速恢复的基础上，而非寻找问题根因，后者由问题管理负责。 通常大部分可用性故障，要借助运维专家经验的假设判断或已知预案的执行得到解决，但仍有部分故障，尤其是性能、应用逻辑、数据故障需要多方协同与工具支持。 判断应用逻辑层面的异常，比如功能、菜单级别的故障，如何更加主动、从容的找到逻辑上的故障点，并作出应急。 消费&落地关系数据库、内存数据库、日志数据，与关系/链路的配置数据多维关联，形成评价系统是否“健康”的多维度指标 5）知识管理 知识管理是一个大家都知道应该要做，但大部分都没做好的事情。 如果运维知识图谱准确性有保证，可以预见还能够支持数据源/指标/文本异常检测、基于人工故障库/数据挖掘的故障诊断、故障预测、故障自愈、 成本优化、资源优化、容量规划、性能优化等场景。
2.3K20发布于 2021-09-14 - 来自专栏MySQL修行 | 老叶茶馆
故障解析丨Clone节点导致主从故障
故障解析丨Clone节点导致主从故障 1.背景概述 在一次主从复制架构中，由于主节点binlog损坏，导致从节点无法正常同步数据，只能重做从节点；因此使用MySQL 8.0.17开始提供的clone技术进行恢复 08-08 16:01:39 | | 3 | 2023-08-08 16:02:39 | +----+---------------------+ 3 rows in set (0.00 sec) 5. binlog.000001, end_log_pos 2606; Could not execute Write_rows event on table test.test; Duplicate entry '5' 9.故障解决 greatsql> alter event event_test DISABLE; Query OK, 0 rows affected (0.01 sec) 关闭从节点的定时任务event 3.总结 1.如果主库有定时任务，通过clone的方式搭建从库，在从库恢复之后需要关闭定时任务，避免主从同时执行定时任务导致主从故障。
44910编辑于 2024-03-02
腾讯云开发者
Copyright © 2013 - 2026 Tencent Cloud. All Rights Reserved. 腾讯云 版权所有
深圳市腾讯计算机系统有限公司 ICP备案/许可证号：粤B2-20090059 
粤公网安备44030502008569号
腾讯云计算（北京）有限责任公司 京ICP证150476号 | 京ICP备11018762号