[發明專利]一種Lustre并行文件系統錯誤報警方法及其系統

有效

• 申請號: 201210348309.0
• 申請日: 2012-09-18
• 公開（公告）號: CN102902615A
• 公開（公告）日: 2013-01-30
• 發明（設計）人: 劉冠川;王勇;秦東明;何牧君;楊亮;張新風;陳飛;劉超;呂永安
• 申請（專利權）人: 曙光信息產業（北京）有限公司
• 主分類號: G06F11/32
• 分類號: G06F11/32;G06F11/34;G06F17/30;H04L29/06
• 代理公司: 北京安博達知識產權代理有限公司 11271
• 代理人: 徐國文

技術領域

本發明涉及計算機領域，具體涉及一種Lustre并行文件系統錯誤報警方法及其系統。

背景技術

大規模超算中心一般環境比較復雜，當Lustre并行文件系統發生故障時，關聯的因素非常多，通過人工的方法去查找日志等信息來定位問題，通常會耗費大量的時間，故障無法及時得到解決。目前Lustre的監控軟件主要用LMT。LMT能夠通過Lustre的一些統計信息接口較好的呈現Lustre的歷史使用狀況，如當前讀寫速率、空間使用率等等。

LMT能提供一些文件系統IO流量、使用率等信息的統計，但無法進行對系統運行環境、Lustre日志等信息的分析和報警，對于Lustre文件系統運行維護并沒有起到太大作用。當Lustre文件系統出現故障時仍然需要較長的時間去分析定位問題，如果管理員不在現場，故障就難以及時發現和解決。

發明內容

針對現有技術的不足，本發明提供一種Lustre并行文件系統錯誤報警方法及其系統，可以及時的發現故障并通知管理員，減少經濟損失。

本發明提供的一種Lustre并行文件系統錯誤報警方法，其改進之處在于，所述方法包括如下步驟：

（1）監控模塊對OSS日志進行周期性掃描；

（2）分析所述日志信息，判斷是否存在故障信息，并將所述故障信息生成告警報告；

（3）嚴重的故障生成單獨的報告供程序進一步分析，用于定位問題和自動處理。最后再和普通告警信息匯總寫入txt文件中，通過mail中轉站發送給管理員。。

其中，步驟（1）所述oss日志包括系統網絡質量、Lustre日志信息和heartbeat日志信息。

其中，步驟（2）所述故障信息包括存儲故障信息或導致存儲出現故障的信息。

其中，步驟（3）所述定位過程包括如下步驟：

1）根據嚴重故障定位危險客戶端，生成待重啟節點列表；

2）判斷危險客戶端是否為僵死客戶端，是則重啟客戶端，否則不予處理，待觀察。

3）判斷重啟的客戶端是否有異常，是則將異常信息通過mail中轉站發送給管理員，否則屬于正常重啟，將操作成功日志寫入LAToolkit日志中。

其中，步驟2）重啟客戶端通過向客戶端的管理模塊控制客戶端的電源，將客戶端重啟。

其中，步驟（3）所述嚴重故障是指會直接導致存儲系統故障的一種類型，其包括出現導致存儲服務器死機的故障、出現導致存儲服務器后端磁盤出現只讀的故障、主備存儲服務器間出現切換故障或主備服務器間心跳線故障。

其中，步驟（3）所述普通故障是指不會直接導致存儲系統的故障的一種類型，其包括網絡輕微丟包、某個郵件服務器故障或日志掃描時間過長現象。

本發明基于另一目的提供的一種Lustre并行文件系統錯誤報警系統，其改進之處在于，所述報警系統包括LAToolkit服務端、存儲客戶端集群、郵件服務器集群和LAToolkit客戶端；

所述LAToolkit服務端、所述存儲客戶端集群和所述LAToolkit客戶端通過存儲網進行數據的交換和存儲；

所述LAToolkit服務端、所述存儲客戶端集群、所述郵件服務器集群和所述LAToolkit客戶端通過存儲管理網進行數據管理；

所述LAToolkit服務端和所述存儲客戶端集群通過電源管理網進行服務器的重啟。

其中，所述存儲客戶端集群用于存儲客戶端集群掛載存儲系統；

所述郵件服務器集群用于LAToolkit向外發送告警郵件；

所述LAToolkit客戶端部署于Lustre存儲服務器（OSS）上，用于采集OSS日志及其他判斷存儲系統狀態的信；

所述LAToolkit服務端部署于Lustre元數據（MDS）/管理（MGS）服務器上，用于處理LAToolkit客戶端收集到的信息和處理其他LAToolkit操作。

其中，所述報警系統包括管理終端，所述管理終端通過所述存儲管理網對所述LAToolkit服務端、所述存儲客戶端集群、所述郵件服務器集群和所述LAToolkit客戶端進行控制。

其中，所述LAToolkit服務端和所述所述LAToolkit客戶端為冗余設置。

與現有技術比，本發明的有益效果為：

本發明故障信息生成txt文件再轉給管理員，其方便閱讀，能直接查看，且能長期保存作為歷史記錄供查閱。