ESX的NFS存储Failover机制Q&A

ESX的NFS存储通常都会配置备份链路。当主链路出现故障时自动切换到备份链路上，这叫做Failover。

问：什么时候发起failover？答：当发现存储链路失败时。

问：如何判断一条存储链路中断了？答：找不到心跳了呗。

问：心跳是怎么回事？怎样才算找不到心跳？
答：通常ESX Host会每隔一定的间隔(HeartbeatFrequency)发起一次到存储的心跳检测，每次心跳检测必须在一定的时间内(HeartbeatTimeout)收到回复，否则就算是一次心跳检测失败(HeartbeatFailure)，连续失败到一定的次数(HeartbeatMaxFailure)就算链路失败。

这些参数应该修改为以下推荐的值 (无论是NetApp还是EMC的NAS设备)

• NFS.HeartbeatDelta (NFS.HeartbeatFrequency in ESX 3.x)   12
• NFS.HeartbeatTimeout         5
• NFS.HeartbeatMaxFailures   10

上面这些推荐参数值的含义是：NFS.HeartbeatFrequency=12说明每12秒会发起一次心跳检测。5秒没有响应就算Timeout，一直累计到10次没有响应才算NFS存储丢失，才发起failover的动作。这中间其实经过了12s*10+5s=125秒时间。也就是说，真正要发起一次failover事件，ESX Host要等上125秒。

问：那么，在这125秒内，从VM的角度看，发生了什么状况呢？
答：VM会发现其vSCSI控制器上连接的磁盘停止响应，这取决于Guest OS会忍受多长时间的磁盘不响应才认为是一个error (delayed write error)，当这个IO error发生在Guest OS的系统盘时，就会导致OS崩溃。Windows操作系统默认的disk Timeout是60秒。也就是说，当ESX Host还在125秒的等待时间内而不去执行Failover动作时，Guest OS就已经崩溃了。在Guest级别HA启用的情况下，Guest OS会在NFS Storage恢复的时候重启。但是重新配置Guest OS的参数以使其也能够等待125秒不是更好吗？如何做到？用Regedit，修改HKLM\System\CurrentControlSet\Services\Disk下的TimeOutValue值为125即可。（修改注册表有风险，请一定先备份后修改）

注：本文是读书笔记
【参考文档】
(1) Scott Lowe, 《Mastering VMware vSphere 4.0》 chapter 6