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 52 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

服务器数据恢复—Raid5数据灾难不用愁,Raid5数据恢复原理了解下

Raid5数据恢复算法原理:分布式奇偶校验的独立磁盘结构(被称之为raid5)的数据恢复有一个“奇偶校验”的概念。可以简单的理解为二进制运算中的“异或运算”,通常使用的标识是xor。运算规则:若二者值...

服务器数据恢复—多次异常断电导致服务器raid不可用的数据恢复

服务器数据恢复环境&故障:由于机房多次断电导致一台服务器中raid阵列信息丢失。该阵列中存放的是文档,上层安装的是Windowsserver操作系统,没有配置ups。因为服务器异常断电重启后,rai...

服务器数据恢复-V7000存储更换磁盘数据同步失败的数据恢复案例

服务器数据恢复环境:P740+AIX+Sybase+V7000存储,存储阵列柜上共12块SAS机械硬盘(其中一块为热备盘)。服务器故障:存储阵列柜中有磁盘出现故障,工作人员发现后更换磁盘,新更换的磁盘...

「服务器数据恢复」重装系统导致XFS文件系统分区丢失的数据恢复

服务器数据恢复环境:DellPowerVault系列磁盘柜;用RAID卡创建的一组RAID5;分配一个LUN。服务器故障:在Linux系统层面对LUN进行分区,划分sdc1和sdc2两个分区。将sd...

服务器数据恢复-ESXi虚拟机被误删的数据恢复案例

服务器数据恢复环境:一台服务器安装的ESXi虚拟化系统,该虚拟化系统连接了多个LUN,其中一个LUN上运行了数台虚拟机,虚拟机安装WindowsServer操作系统。服务器故障&分析:管理员因误操作...

「服务器数据恢复」Raid5阵列两块硬盘亮黄灯掉线的数据恢复案例

服务器数据恢复环境:HPStorageWorks某型号存储;虚拟化平台为vmwareexsi;10块磁盘组成raid5(有1块热备盘)。服务器故障:raid5阵列中两块硬盘指示灯变黄掉线,无法读取...

服务器数据恢复—基于oracle数据库的SAP数据恢复案例

服务器存储数据恢复环境:某品牌服务器存储中有一组由6块SAS硬盘组建的RAID5阵列,其中有1块硬盘作为热备盘使用。上层划分若干lun,存放Oracle数据库数据。服务器存储故障&分析:该RAID5阵...

「服务器虚拟化数据恢复」Xen Server环境下数据库数据恢复案例

服务器虚拟化数据恢复环境:Dell某型号服务器;数块STAT硬盘通过raid卡组建的RAID10;XenServer服务器虚拟化系统;故障虚拟机操作系统:WindowsServer,部署Web服务...

服务器数据恢复—RAID故障导致oracle无法启动的数据恢复案例

服务器数据恢复环境:某品牌服务器中有一组由4块SAS磁盘做的RAID5磁盘阵列。该服务器操作系统为windowsserver,运行了一个单节点Oracle,数据存储为文件系统,无归档。该oracle...

服务器数据恢复—服务器磁盘阵列常见故障表现&解决方案

RAID(磁盘阵列)是一种将多块物理硬盘整合成一个虚拟存储的技术,raid模块相当于一个存储管理的中间层,上层接收并执行操作系统及文件系统的数据读写指令,下层管理数据在各个物理硬盘上的存储及读写。相对...

「服务器数据恢复」IBM某型号服务器RAID5磁盘阵列数据恢复案例

服务器数据恢复环境:IBM某型号服务器;5块SAS硬盘组成RAID5磁盘阵列;存储划分为1个LUN和3个分区:第一个分区存放windowsserver系统,第二个分区存放SQLServer数据库,...

服务器数据恢复—Zfs文件系统下误删除文件如何恢复数据?

服务器故障:一台zfs文件系统服务器,管理员误操作删除服务器上的数据。服务器数据恢复过程:1、将故障服务器所有磁盘编号后取出,硬件工程师检测所有硬盘后没有发现有磁盘存在硬件故障。以只读方式将全部磁盘做...

服务器数据恢复—Linux+raid5服务器数据恢复案例

服务器数据恢复环境:某品牌linux操作系统服务器,服务器中有4块SAS接口硬盘组建一组raid5阵列。服务器中存放的数据有数据库、办公文档、代码文件等。服务器故障&检测:服务器在运行过程中突然瘫痪,...

服务器数据恢复—Sql Server数据库数据恢复案例

服务器数据恢复环境:一台安装windowsserver操作系统的服务器。一组由8块硬盘组建的RAID5,划分LUN供这台服务器使用。在windows服务器内装有SqlServer数据库。存储空间LU...

服务器数据恢复—阿里云ECS网站服务器数据恢复案例

云服务器数据恢复环境:阿里云ECS网站服务器,linux操作系统+mysql数据库。云服务器故障:在执行数据库版本更新测试时,在生产库误执行了本来应该在测试库执行的sql脚本,导致生产库部分表被tru...

取消回复欢迎 发表评论: