赵亮

摘要：网络的飞速发展，气象数值预报高分辨率循环同化系统对服务器提出了更高的要求，使用Linux操作系统构建高性能集群系统，用较低的价格实现高伸缩、高可用的计算服务，以弥补单台服务器无法达到的性能。本文以实际生产运行中的一则故障为例，剖析了系统运维中的一些方法。

关键词：数值预报；集群；运维

中图分类号：TP38 文献标识码：A 文章编号：1007-9416（2018）04-0190-01

1 集群的概念

集群是指一组协同工作的服务集合，可以提供比单台服务更稳定、高效、具有扩展性的服务平台。整体来看，集群是一个独立的服务实体，而实际上，在集群内部，有多个服务实体在协同完成一系列复杂工作。集群一般由两个或两个以上的服务器搭建而成，每台服务器称为一个集群节点。当一个节点出现故障时，集群的另一节点可以自动接管故障节点的资源，从而保证服务持续、不间断运行[1]。

综上，搭建一套集群系统需要N（N>=2）台服务器，同时还需要IB线缆、集群软件、共享存储设备（磁盘阵列）等，如下图1所示。

2 故障实例

某日，GRIDVIEW集群综合管理系统显示Node52节点异常，按照处理流程，使用Blade Full View Management System对告警节点进行“硬重启”操作。在等待数分钟后，节点依然显示告警，重复上述操作故障依旧。我们使用SKMV OVER IP系统登录告警节点查看，发现该节点无法进入Linux系统，服务器硬盘有报错，使用fsck命令校正文件系统依然无效，因此决定更换Node52服务器硬盘。但更换新硬盘后需要重新安装该节点的Linux操作系统以及各种集群服务，操作较为繁琐且冗余，我们可以使用拷贝安装的方式来进行修复工作。……