RockyLinux集群故障处理指南（小白也能看懂的高可用集群排错教程）

一、常见故障类型

RockyLinux高可用集群（如基于 Pacemaker + Corosync 的架构）常见的故障包括：

• 节点无法通信（网络或防火墙问题）
• 资源无法启动或频繁切换
• 集群状态不一致（split-brain）
• 时间不同步导致仲裁失败

二、基础排查步骤

1. 检查集群整体状态

首先，在任意节点执行以下命令查看集群是否正常运行：

pcs status

如果输出显示所有节点在线、资源正常，则问题可能不在集群层面；否则继续排查。

2. 检查 Corosync 通信

Corosync 是集群通信的核心组件。检查其状态：

systemctl status corosync# 查看成员节点是否全部加入pcs cluster corosync status

若发现某节点未加入，请检查该节点的网络连通性及防火墙设置（通常需开放 UDP 5403-5405 端口）。

3. 验证时间同步

集群节点间时间必须高度同步，建议使用 chrony 或 ntp：

timedatectl status# 若未同步，启用并配置 chronydsudo systemctl enable --now chronydchronyc sources -v

三、典型故障处理案例

案例：Web 服务资源频繁切换

现象：通过 pcs status 发现 Web 资源在两个节点间不断迁移（flapping）。

解决步骤：

1. 检查资源监控脚本是否返回错误（如 HTTP 健康检查失败）
2. 查看日志：/var/log/pacemaker.log 或 journalctl -u pacemaker
3. 临时禁用资源监控以测试稳定性：
   

   pcs resource op remove WebService monitor

4. 修复底层服务（如 Apache/Nginx 配置）后重新添加监控

四、预防性维护建议

为减少 集群节点故障排查 的频率，建议定期执行以下操作：

• 定期更新系统和集群软件包（yum update）
• 配置集中日志（如 rsyslog + ELK）便于分析
• 设置资源故障阈值和自动恢复策略
• 定期演练故障切换流程，验证 Linux集群运维指南 中的操作有效性

五、总结

掌握 RockyLinux集群故障处理 技能是保障业务连续性的关键。通过本教程，你已了解从状态检查、通信验证到具体案例处理的完整流程。记住：冷静分析日志、逐步排除变量，是高效排错的核心原则。

提示：生产环境中操作前务必在测试环境验证，避免误操作引发更大故障。