2.4.4. 在 VMware 安装程序置备的基础架构中替换失败的节点

流程

1. 登录 OpenShift Web 控制台并点击 Compute Nodes。
2. 确定需要替换的节点。记录其 Machine Name。

3. 在要替换的节点上获取标签。

   $ oc get nodes --show-labels | grep <node_name>

   Copy to Clipboard Toggle word wrap

4. 识别要替换的节点中运行的 mon （如果有）和 OSD。

   $ oc get pods -n openshift-storage -o wide | grep -i <node_name>

   Copy to Clipboard Toggle word wrap

5. 缩减上一步中确定的容器集部署。

   例如：

   $ oc scale deployment rook-ceph-mon-c --replicas=0 -n openshift-storage
   $ oc scale deployment rook-ceph-osd-0 --replicas=0 -n openshift-storage
   $ oc scale deployment --selector=app=rook-ceph-crashcollector,node_name=<node_name>  --replicas=0 -n openshift-storage

   Copy to Clipboard Toggle word wrap

6. 将节点标记为不可调度。

   $ oc adm cordon <node_name>

   Copy to Clipboard Toggle word wrap

7. 删除处于 Terminating 状态的 pod。

   $ oc get pods -A -o wide | grep -i <node_name> |  awk '{if ($4 == "Terminating") system ("oc -n " $1 " delete pods " $2  " --grace-period=0 " " --force ")}'

   Copy to Clipboard Toggle word wrap

8. 排空节点。

   $ oc adm drain <node_name> --force --delete-emptydir-data=true --ignore-daemonsets

   Copy to Clipboard Toggle word wrap
9. 点 Compute Machines。搜索所需的机器。
10. 除了所需的机器外，点击 Action 菜单(⋮)→ Delete Machine。
11. 单击 Delete 以确认删除机器。会自动创建新机器。

12. 等待新计算机启动并过渡到 Running 状态。

    重要

    此活动可能需要至少 5 到 10 分钟或更长时间。

13. 在 OpenShift Web 控制台中点 Compute Nodes，确认新节点是否处于 Ready 状态。
14. 向节点物理地添加新设备。

15. 使用以下任一方法之一将 OpenShift Data Foundation 标签应用到新节点：

    从用户界面

    1. 对于新节点，点击 Action Menu(⋮)→ Edit Labels。
    2. 添加 cluster.ocs.openshift.io/openshift-storage 并点 Save。

    使用命令行界面

    • 执行以下命令，将 OpenShift Data Foundation 标签应用到新节点：

      $ oc label node <new_node_name> cluster.ocs.openshift.io/openshift-storage=""

      Copy to Clipboard Toggle word wrap

16. 识别安装 OpenShift 本地存储 Operator 的命名空间，并将其分配给 local_storage_project 变量：

    $ local_storage_project=$(oc get csv --all-namespaces | awk '{print $1}' | grep local)

    Copy to Clipboard Toggle word wrap

    例如：

    $ local_storage_project=$(oc get csv --all-namespaces | awk '{print $1}' | grep local)
    echo $local_storage_project
    openshift-local-storage

    Copy to Clipboard Toggle word wrap

17. 将新的 worker 节点添加到 localVolumeDiscovery 和 localVolumeSet。

    1. 更新 localVolumeDiscovery 定义，使其包含新节点并删除失败的节点。

       # oc edit -n $local_storage_project localvolumediscovery auto-discover-devices
       [...]
          nodeSelector:
           nodeSelectorTerms:
             - matchExpressions:
                 - key: kubernetes.io/hostname
                   operator: In
                   values:
                   - server1.example.com
                   - server2.example.com
                   #- server3.example.com
                   - newnode.example.com
       [...]

       Copy to Clipboard Toggle word wrap

       记住在退出编辑器之前进行保存。

       在上例中，server3.example.com 已被删除，newnode.example.com 是新节点。

    2. 决定要编辑的 localVolumeSet。

       # oc get -n $local_storage_project localvolumeset
       NAME          AGE
       localblock   25h

       Copy to Clipboard Toggle word wrap

    3. 更新 localVolumeSet 定义，使其包含新节点并删除失败的节点。

       # oc edit -n $local_storage_project localvolumeset localblock
       [...]
          nodeSelector:
           nodeSelectorTerms:
             - matchExpressions:
                 - key: kubernetes.io/hostname
                   operator: In
                   values:
                   - server1.example.com
                   - server2.example.com
                   #- server3.example.com
                   - newnode.example.com
       [...]

       Copy to Clipboard Toggle word wrap

       记住在退出编辑器之前进行保存。

       在上例中，server3.example.com 已被删除，newnode.example.com 是新节点。

18. 验证新的 localblock PV 是否可用。

    $oc get pv | grep localblock | grep Available
    local-pv-551d950     512Gi    RWO    Delete  Available
    localblock     26s

    Copy to Clipboard Toggle word wrap

19. 更改到 openshift-storage 项目。

    $ oc project openshift-storage

    Copy to Clipboard Toggle word wrap

20. 从集群移除出现故障的 OSD。如果需要，您可以指定多个失败的 OSD：

    $ oc process -n openshift-storage ocs-osd-removal \
    -p FAILED_OSD_IDS=<failed_osd_id> FORCE_OSD_REMOVAL=false | oc create -n openshift-storage -f -

    Copy to Clipboard Toggle word wrap

    <failed_osd_id>

    是 rook-ceph-osd 前缀后立即的 pod 名称中的整数。您可以在 命令中添加以逗号分隔的 OSD ID，以删除多个 OSD，如 FAILED_OSD_IDS=0,1,2。

    在只有三个 OSD 的集群中，FORCE_OSD_REMOVAL 值必须更改为 true，或者空间不足的集群才能在 OSD 被删除后恢复所有三个数据副本。

21. 通过检查 ocs-osd-removal-job pod 的状态，验证 OSD 是否已成功移除。

    状态为 Completed，确认 OSD 移除作业已成功。

    # oc get pod -l job-name=ocs-osd-removal-job -n openshift-storage

    Copy to Clipboard Toggle word wrap

22. 确保 OSD 移除已完成。

    $ oc logs -l job-name=ocs-osd-removal-job -n openshift-storage --tail=-1 | egrep -i 'completed removal'

    Copy to Clipboard Toggle word wrap

    输出示例：

    2022-05-10 06:50:04.501511 I | cephosd: completed removal of OSD 0

    Copy to Clipboard Toggle word wrap
    重要

    如果 ocs-osd-removal-job 失败并且 pod 不在预期的 Completed 状态，请检查 pod 日志来进一步调试。

    例如：

    # oc logs -l job-name=ocs-osd-removal-job -n openshift-storage --tail=-1

    Copy to Clipboard Toggle word wrap

23. 标识与 PVC 关联的 PV。

    #oc get pv -L kubernetes.io/hostname | grep localblock | grep Released
    local-pv-d6bf175b  1490Gi  RWO  Delete  Released  openshift-storage/ocs-deviceset-0-data-0-6c5pw  localblock  2d22h  compute-1

    Copy to Clipboard Toggle word wrap

    如果有一个 PV 处于 Released 状态，请将其删除。

    # oc delete pv <persistent-volume>

    Copy to Clipboard Toggle word wrap

    例如：

    #oc delete pv local-pv-d6bf175b
    persistentvolume "local-pv-d9c5cbd6" deleted

    Copy to Clipboard Toggle word wrap

24. 确定 crashcollector pod 部署。

    $ oc get deployment --selector=app=rook-ceph-crashcollector,node_name=failed-node-name -n openshift-storage

    Copy to Clipboard Toggle word wrap

    如果已存在 crashcollector pod 部署，请将其删除。

    $ oc delete deployment --selector=app=rook-ceph-crashcollector,node_name=failed-node-name -n openshift-storage

    Copy to Clipboard Toggle word wrap

25. 删除 ocs-osd-removal-job。

    # oc delete -n openshift-storage job ocs-osd-removal-job

    Copy to Clipboard Toggle word wrap

    输出示例：

    job.batch "ocs-osd-removal-job" deleted

    Copy to Clipboard Toggle word wrap

验证步骤

1. 执行以下命令并验证输出中是否存在新节点：

   $ oc get nodes --show-labels | grep cluster.ocs.openshift.io/openshift-storage= |cut -d' ' -f1

   Copy to Clipboard Toggle word wrap

2. 点 Workloads Pods，确认新节点上的以下 pod 处于 Running 状态：

   • csi-cephfsplugin-*
   • csi-rbdplugin-*

3. 验证所有其他必需的 OpenShift Data Foundation pod 是否都处于 Running 状态。

   确保创建了新的增量 mon，并处于 Running 状态。

   $ oc get pod -n openshift-storage | grep mon

   Copy to Clipboard Toggle word wrap

   输出示例：

   rook-ceph-mon-a-cd575c89b-b6k66         2/2     Running
   0          38m
   rook-ceph-mon-b-6776bc469b-tzzt8        2/2     Running
   0          38m
   rook-ceph-mon-d-5ff5d488b5-7v8xh        2/2     Running
   0          4m8s

   Copy to Clipboard Toggle word wrap

   OSD 和 Mon 可能需要几分钟才能进入 Running 状态。

4. 验证新 OSD pod 是否在替换节点上运行。

   $ oc get pods -o wide -n openshift-storage| egrep -i new-node-name | egrep osd

   Copy to Clipboard Toggle word wrap

5. 可选：如果在集群中启用了集群范围的加密，请验证新 OSD 设备是否已加密。

   对于上一步中标识的每个新节点，请执行以下操作：

   1. 创建调试 pod，并为所选主机打开 chroot 环境。

      $ oc debug node/<node name>
      $ chroot /host

      Copy to Clipboard Toggle word wrap

   2. 运行 "lsblk" 并检查 ocs-deviceset 名旁边的 "crypt" 关键字。

      $ lsblk

      Copy to Clipboard Toggle word wrap
6. 如果验证步骤失败，请联系红帽支持。