Oracle Exadata X7-2掉电宕机导致集群无法启动处理过程

---

前言

客户突然联系说应用无法连接数据库，报错如下：

[ERROR]-[Thread: Druid-ConnectionPool-Create-26728049]-[com.alibaba.druid.pool.DruidDataSource$CreateConnectionThread.run()]: create connection error, url: jdbc:oracle:thin:@x.x.x.93:1521:empdb011, errorCode 17002, state 08006
java.sql.SQLRecoverableException: IO 错误: The Network Adapter could not establish the connection
	at oracle.jdbc.driver.T4CConnection.logon(T4CConnection.java:774)
	at oracle.jdbc.driver.PhysicalConnection.connect(PhysicalConnection.java:688)
	at oracle.jdbc.driver.T4CDriverExtension.getConnection(T4CDriverExtension.java:39)
	at oracle.jdbc.driver.OracleDriver.connect(OracleDriver.java:691)
	at com.alibaba.druid.filter.FilterChainImpl.connection_connect(FilterChainImpl.java:148)
	at com.alibaba.druid.filter.stat.StatFilter.connection_connect(StatFilter.java:220)
	at com.alibaba.druid.filter.FilterChainImpl.connection_connect(FilterChainImpl.java:142)
	at com.alibaba.druid.filter.FilterAdapter.connection_connect(FilterAdapter.java:785)
	at com.alibaba.druid.filter.FilterChainImpl.connection_connect(FilterChainImpl.java:142)
	at com.alibaba.druid.pool.DruidAbstractDataSource.createPhysicalConnection(DruidAbstractDataSource.java:1463)
	at com.alibaba.druid.pool.DruidAbstractDataSource.createPhysicalConnection(DruidAbstractDataSource.java:1525)
	at com.alibaba.druid.pool.DruidDataSource$CreateConnectionThread.run(DruidDataSource.java:2100)
Caused by: oracle.net.ns.NetException: The Network Adapter could not establish the connection
	at oracle.net.nt.ConnStrategy.execute(ConnStrategy.java:523)
	at oracle.net.resolver.AddrResolution.resolveAndExecute(AddrResolution.java:521)
	at oracle.net.ns.NSProtocol.establishConnection(NSProtocol.java:660)
	at oracle.net.ns.NSProtocol.connect(NSProtocol.java:286)
	at oracle.jdbc.driver.T4CConnection.connect(T4CConnection.java:1438)
	at oracle.jdbc.driver.T4CConnection.logon(T4CConnection.java:518)
	... 11 more
Caused by: java.io.IOException: Connection timed out: connect, socket connect lapse 20998 ms. /x.x.x.93 1521 0 1 true
	at ora

---

一、当前的状态是什么？

集群状态宕掉了，且无法正常启动！！！

二、集群启动异常怀疑对象

1.排查心跳网络异常

ping自己私有IP延迟高

ping其它主机私有IP不通

那么问题定位到私有IP不通导致的集群无法启动，一体机内部私有IP交互是通过自身的IB交换机完成的，很有可能是IB交换机问题，下面进行日志查询取证。

2.是否发生过重启

每台机器都发生过重启，明显掉电情况

三、日志信息收集

ocssd.trc

集群crs日志

cell的griddisk状态及报错

尝试启动：

那么排查到这里可以断定，是由于上层问题导致的griddisk不正常无法拉起集群，此处上层的IB交换机就成为重要排查对象。

四、IB交换机的问题排查处理

通过融合IP登入ilom管理网页失败，只能通过ssh


登入后看到明显的提示，尝试boot重启失败：


还发现掉了一个PDU，进行确认私有IP通信正常

五、紧急恢复业务

在IB完成正常重启后，重新启动所有cell服务

拉起集群：

六、收尾工作

check修复第二台IB交换机

重新挂载nfs共享目录

检查PDU，确实已掉电

七、原因调查

PDU问题由于29日晚操作切电操作导致UPS路跳闸

主机等log显示电源切换

29日有检测到FAN0风扇数值是0

但实际风扇只应该显示FAN1~3才对，出现FAN0也是奇怪，有知道朋友可以留言。

---

总结

通过整体问题梳理，应该是在用过进行切电作业时候导致UPS跳闸，且市电进行切换导致的整个一体机机柜出现了掉电情况，然后服务器重启后，IB交换机自检硬件有问题导致自检失败所有整体的私有IP和以下的集群服务无法正常启动。