百度360必应搜狗淘宝本站头条
当前位置:网站首页 > 技术文章 > 正文

虚拟机panic问题排查(虚拟机故障排故思路)

nanshan 2024-10-10 07:23 60 浏览 0 评论

问题分析

一台aws云主机先后crash了几次,查看系统dmes日志,排查crash原因

[789106.990754] Uhhuh. NMI received for unknown reason 21 on CPU 6.
[789106.990754] Do you have a strange power saving mode enabled?
[789106.990755] Kernel panic - not syncing: NMI: Not continuing
[789106.990755] CPU: 6 PID: 2644936 Comm: server Not tainted 4.14.81.bm.21-amd64 #1
[789106.990755] Hardware name: Amazon EC2 m5a.2xlarge/, BIOS 1.0 10/16/2017
[789106.990756] Call Trace:
[789106.990756]  dump_stack+0x5c/0x85
[789106.990756]  panic+0xe4/0x232
[789106.990756]  ? printk+0x52/0x6e
[789106.990757]  nmi_panic+0x35/0x40
[789106.990757]  unknown_nmi_error+0x6f/0x80
[789106.990757]  do_nmi+0xe5/0x130
[789106.990757]  nmi+0x83/0xcc

结合内核源码查看发生的panic的地方:

源码地址: https://elixir.bootlin.com/linux/v4.7/source/arch/x86/kernel/nmi.c#L75
unknown_nmi_error(unsigned char reason, struct pt_regs *regs)
{
        int handled;

        /*
         * Use 'false' as back-to-back NMIs are dealt with one level up.
         * Of course this makes having multiple 'unknown' handlers useless
         * as only the first one is ever run (unless it can actually determine
         * if it caused the NMI)
         */
        handled = nmi_handle(NMI_UNKNOWN, regs);
        if (handled) {
                __this_cpu_add(nmi_stats.unknown, handled);
                return;
        }

        __this_cpu_add(nmi_stats.unknown, 1);

        pr_emerg("Uhhuh. NMI received for unknown reason %02x on CPU %d.\n",
                 reason, smp_processor_id());

        pr_emerg("Do you have a strange power saving mode enabled?\n");
        if (unknown_nmi_panic || panic_on_unrecovered_nmi)
                nmi_panic(regs, "NMI: Not continuing");

        pr_emerg("Dazed and confused, but trying to continue\n");
}

从源码可以看到直接原因是nmi不可中断导致系统crash

那到底是什么原因导致nmi呢? 谷歌了一圈,众说纷纭,有说软件bug的,有说硬件bug的。

可能原因1: 软件bug

查找在crash的时间点左右的atop系统快照

atop -y -r  atop_20210225_until10:27:29


能定位到该pid为业务进程game的子进程。有可能是该子进程异常导致了系统panic(只是怀疑)

不过我觉得用户空间的操作不太可能引起系统crash

可能原因2: 硬件问题

case1,主板电源的机器:https://community.amd.com/t5/server-gurus-discussions/solved-uhhuh-nmi-received-for-unknown-reason/td-p/74321

After some googleing, it looks like it might be a RAM problem.
As it is a production server with FC2 (cannot run OMSA except
with OMSA Knoppix), I'd appreciate some hints on what to look at.

case2: redhat官方的描述

当中断被禁用或指示CPU忽略该中断时,该中断被称为屏蔽。阿非屏蔽中断(NMI)不能被忽略,并且通常只用于关键硬件错误。

综合,以上原因,分别从不同方向去排查。

  1. 统计挂掉的机器的ip,看硬件分布,看出问题的机器是否都在同一台母机,可能是单个母机环境问题导致的panic,结论是虚拟机都非亲和性的分布在不同的物理机上,可以排除是问题的虚拟机在某个母机上的问题;
  2. 分析kdump文件(前提是机器开启了kdump):crash /usr/lib/debug/boot/vmlinux-4.14.81.bm.21-amd64 dump.202102251020,不同机器,命令情况不一样
OAD AVERAGE: 0.74, 0.77, 0.71
       TASKS: 766
    NODENAME: xxxx
     RELEASE: 4.14.81.bm.21-amd64
     VERSION: #1 SMP Debian 4.14.81.bm.21 Wed Apr 29 07:43:38 UTC 2020
     MACHINE: x86_64  (2199 Mhz)
      MEMORY: 31.4 GB
       PANIC: "Kernel panic - not syncing: NMI: Not continuing"
         PID: 2644936
     COMMAND: "server"
        TASK: ffff9a3fd280d000  [THREAD_INFO: ffff9a3fd280d000]
         CPU: 6
       STATE: TASK_RUNNING (PANIC)

crash> bt
PID: 2644936  TASK: ffff9a3fd280d000  CPU: 6   COMMAND: "server"
 #0 [ffffa6ee8de47d70] machine_kexec at ffffffff9905749b
 #1 [ffffa6ee8de47dc8] __crash_kexec at ffffffff99110d31
 #2 [ffffa6ee8de47e88] panic at ffffffff9907cbb2
 #3 [ffffa6ee8de47f10] nmi_panic at ffffffff9907c795
 #4 [ffffa6ee8de47f18] unknown_nmi_error at ffffffff990280df
 #5 [ffffa6ee8de47f30] do_nmi at ffffffff99028365
 #6 [ffffa6ee8de47f50] nmi at ffffffff998018e3
    RIP: 000000000040e35a  RSP: 000000c0bf98d500  RFLAGS: 00000293
    RAX: 000000000000004b  RBX: 000000000000009b  RCX: 000000c098114760
    RDX: 0000000000000000  RSI: 00000000017602e0  RDI: 00000000000000d0
    RBP: 000000c0bf98d530   R8: 0000000000000000   R9: 000000c057332b08
    R10: 0000000000000000  R11: ffffffffffffffff  R12: 0000000000000000
    R13: 0000000000000080  R14: 0000000000000149  R15: ffffffffffffffff
    ORIG_RAX: ffffffffffffffff  CS: 0033  SS: 002b
crash> quit

能得出基本结论: aws的机器给虚拟机发了nmi中断,大概率是硬件问题

只能提交dmesg日志给aws的硬件工程师排查。

如何规避?

临时设置内核参数,关闭nmi panic

cat /etc/sysctl.conf
kernel.unknown_nmi_panic=0
kernel.panic_on_unrecovered_nmi = 0

sysctl -p 生效

分析工具

  1. dmeg日志
  2. Kdump
  3. Atop工具
  4. crash命令

相关推荐

0722-6.2.0-如何在RedHat7.2使用rpm安装CDH(无CM)

文档编写目的在前面的文档中,介绍了在有CM和无CM两种情况下使用rpm方式安装CDH5.10.0,本文档将介绍如何在无CM的情况下使用rpm方式安装CDH6.2.0,与之前安装C5进行对比。环境介绍:...

ARM64 平台基于 openEuler + iSula 环境部署 Kubernetes

为什么要在arm64平台上部署Kubernetes,而且还是鲲鹏920的架构。说来话长。。。此处省略5000字。介绍下系统信息;o架构:鲲鹏920(Kunpeng920)oOS:ope...

生产环境starrocks 3.1存算一体集群部署

集群规划FE:节点主要负责元数据管理、客户端连接管理、查询计划和查询调度。>3节点。BE:节点负责数据存储和SQL执行。>3节点。CN:无存储功能能的BE。环境准备CPU检查JDK...

在CentOS上添加swap虚拟内存并设置优先级

现如今很多云服务器都会自己配置好虚拟内存,当然也有很多没有配置虚拟内存的,虚拟内存可以让我们的低配服务器使用更多的内存,可以减少很多硬件成本,比如我们运行很多服务的时候,内存常常会满,当配置了虚拟内存...

国产深度(deepin)操作系统优化指南

1.升级内核随着deepin版本的更新,会自动升级系统内核,但是我们依旧可以通过命令行手动升级内核,以获取更好的性能和更多的硬件支持。具体操作:-添加PPAs使用以下命令添加PPAs:```...

postgresql-15.4 多节点主从(读写分离)

1、下载软件[root@TX-CN-PostgreSQL01-252software]#wgethttps://ftp.postgresql.org/pub/source/v15.4/postg...

Docker 容器 Java 服务内存与 GC 优化实施方案

一、设置Docker容器内存限制(生产环境建议)1.查看宿主机可用内存bashfree-h#示例输出(假设宿主机剩余16GB可用内存)#Mem:64G...

虚拟内存设置、解决linux内存不够问题

虚拟内存设置(解决linux内存不够情况)背景介绍  Memory指机器物理内存,读写速度低于CPU一个量级,但是高于磁盘不止一个量级。所以,程序和数据如果在内存的话,会有非常快的读写速度。但是,内存...

Elasticsearch性能调优(5):服务器配置选择

在选择elasticsearch服务器时,要尽可能地选择与当前业务量相匹配的服务器。如果服务器配置太低,则意味着需要更多的节点来满足需求,一个集群的节点太多时会增加集群管理的成本。如果服务器配置太高,...

Es如何落地

一、配置准备节点类型CPU内存硬盘网络机器数操作系统data节点16C64G2000G本地SSD所有es同一可用区3(ecs)Centos7master节点2C8G200G云SSD所有es同一可用区...

针对Linux内存管理知识学习总结

现在的服务器大部分都是运行在Linux上面的,所以,作为一个程序员有必要简单地了解一下系统是如何运行的。对于内存部分需要知道:地址映射内存管理的方式缺页异常先来看一些基本的知识,在进程看来,内存分为内...

MySQL进阶之性能优化

概述MySQL的性能优化,包括了服务器硬件优化、操作系统的优化、MySQL数据库配置优化、数据库表设计的优化、SQL语句优化等5个方面的优化。在进行优化之前,需要先掌握性能分析的思路和方法,找出问题,...

Linux Cgroups(Control Groups)原理

LinuxCgroups(ControlGroups)是内核提供的资源分配、限制和监控机制,通过层级化进程分组实现资源的精细化控制。以下从核心原理、操作示例和版本演进三方面详细分析:一、核心原理与...

linux 常用性能优化参数及理解

1.优化内核相关参数配置文件/etc/sysctl.conf配置方法直接将参数添加进文件每条一行.sysctl-a可以查看默认配置sysctl-p执行并检测是否有错误例如设置错了参数:[roo...

如何在 Linux 中使用 Sysctl 命令?

sysctl是一个用于配置和查询Linux内核参数的命令行工具。它通过与/proc/sys虚拟文件系统交互,允许用户在运行时动态修改内核参数。这些参数控制着系统的各种行为,包括网络设置、文件...

取消回复欢迎 发表评论: