回報出錯的主機

如果發現預留 H4D VM 發生問題，且無法以其他方式解決 (例如 RDMA 裝置持續發生錯誤)，建議您將主機回報為故障。回報主機故障時，Compute Engine 會將主機回報為故障，然後執行主機維護作業，自動修復 VM。對於 H4D VM，Compute Engine 會在維護作業開始時，嘗試將 VM 遷移至其他主機，這有助於盡量縮短工作負載的停機時間。

本文說明如何回報及修復虛擬機器 (VM) 執行個體 (屬於 VM 型叢集) 的故障主機。如果是 Google Kubernetes Engine (GKE) 叢集，請參閱「透過 GKE 檢舉故障主機」。

限制

回報出錯的主機時，請注意下列限制：

• 只有在主機上執行的 VM 符合下列所有條件時，您才能回報主機有錯誤：

  • VM 正在執行。

  • VM 使用 H4D 機型。

  • VM 使用取決於預留項目的佈建模式。

• Google Cloud 會盡力滿足所有回報主機故障的要求。不過，由於容量限制或速率限制，要求不一定都能完成。

事前準備

• 選取這個頁面上的分頁，瞭解如何使用範例：

  控制台

  使用 Google Cloud 控制台存取 Google Cloud 服務和 API 時，無須設定驗證。

  gcloud

  在 Google Cloud 控制台中啟用 Cloud Shell。

  啟用 Cloud Shell

  Google Cloud 主控台底部會開啟一個 Cloud Shell 工作階段，並顯示指令列提示。Cloud Shell 是已安裝 Google Cloud CLI 的殼層環境，並已針對您目前的專案設定好相關值。工作階段可能要幾秒鐘的時間才能初始化。

  REST

  如要在本機開發環境中使用本頁的 REST API 範例，請使用您提供給 gcloud CLI 的憑證。

  安裝 Google Cloud CLI。

  若您採用的是外部識別資訊提供者 (IdP)，請先使用聯合身分登入 gcloud CLI。

  詳情請參閱 Google Cloud 驗證說明文件中的「使用 REST 進行驗證」。

必要的角色

如要取得回報主機故障所需的權限，請要求管理員授予您下列 IAM 角色：

• VM 或專案的「Compute 執行個體管理員 (v1)」 (roles/compute.instanceAdmin.v1)
• 如要使用 Cloud Logging 查看有問題的主機報告作業狀態，請在專案中開啟記錄檢視器 (roles/logging.viewer)。

如要進一步瞭解如何授予角色，請參閱「管理專案、資料夾和組織的存取權」。

這些預先定義的角色具備回報主機故障所需的權限。如要查看確切的必要權限，請展開「Required permissions」(必要權限) 部分：

您或許還可透過自訂角色或其他預先定義的角色取得這些權限。

瞭解出錯主機回報程序

回報 H4D VM 的主機故障後，H4D VM 的重新啟動時間會因您用來建立 VM 的預訂項目預訂作業模式而異。如要驗證預留項目的預留作業模式，請查看預留項目中的 reservationOperationalMode 欄位。

回報出錯的主機

如要回報主機故障，請完成下列步驟：

1. 查看 VM 執行的主機。

   如需操作說明，請參閱「查看 H4D 叢集拓撲」。

2. 選用：備份本機 SSD 資料。VM 停止時，Compute Engine 會自動捨棄附加至 VM 的所有本機 SSD 磁碟資料。Compute Engine 捨棄本機 SSD 資料後，您就無法復原。

   如需如何保留本機 SSD 資料的操作說明，請參閱「本機 SSD 資料備份」一文。

3. 回報出錯的主機。如要回報出錯的主機，請選取下列其中一個選項。回報故障主機作業完成後，主機修復作業會立即啟動，如果啟動錯誤主機報表作業後，VM 停止回應，建議您等待至少 15 分鐘後再重新啟動 VM。

   gcloud

   如要回報出錯的主機，請使用下列 gcloud compute instances report-host-as-faulty 指令：

   gcloud compute instances report-host-as-faulty VM_NAME \
       --async \
       --disruption-schedule=IMMEDIATE \
       --fault-reasons=behavior=FAULT_REASON,description=DESCRIPTION \
       --zone=ZONE
   

   更改下列內容：

   • VM_NAME：VM 的名稱。

   • FAULT_REASON：VM 遇到的主機問題清單，以半形逗號分隔，例如 ISSUE_1,ISSUE_2。您可以指定下列值：

     • PERFORMANCE：CPU 或 Cloud RDMA 網路作業效能降低、IRDMA 網路介面故障，或 IRDMA 網路裝置不存在。

     • SILENT_DATA_CORRUPTION：VM 中出現資料損毀情形，但 VM 仍持續執行。無聲資料損毀可能是因為 vCPU 缺陷、軟體錯誤或核心問題等。

     • BEHAVIOR_UNSPECIFIED：您不確定影響 VM 的問題為何，或問題不在其他選項的涵蓋範圍內。

   • DESCRIPTION：影響 VM 的問題說明，例如 XID 資訊或疑似效能問題。

   • ZONE：VM 所在的可用區。

   REST

   如要回報出錯的主機，請向 instances.reportHostAsFaulty 方法發出下列 POST 要求。

   回報主機故障時，你可以一次指定多個故障原因。舉例來說，如要指定兩個故障原因，請提出如下要求：

   POST https://compute.googleapis.com/compute/v1/projects/PROJECT_ID/zones/ZONE/instances/VM_NAME/reportHostAsFaulty
   
   {
     "disruptionSchedule": "IMMEDIATE",
     "faultReasons": [
       {
         "behavior": "FAULT_REASON_1",
         "description": "DESCRIPTION_1"
       },
       {
         "behavior": "FAULT_REASON_2",
         "description": "DESCRIPTION_2"
       }
     ]
   }
   

   更改下列內容：

   • PROJECT_ID：VM 所在的專案 ID。

   • ZONE：VM 所在的可用區。

   • VM_NAME：VM 的名稱。

   • FAULT_REASON_1和 FAULT_REASON_2：VM 遇到的每個主機問題。您可以指定下列值：

     • PERFORMANCE：CPU 或 RDMA 網路作業效能降低、RDMA 裝置故障，或 RDMA 裝置不存在。

     • SILENT_DATA_CORRUPTION：VM 中出現資料損毀情形，但 VM 仍持續執行。無聲資料毀損可能是因為 vCPU 缺陷、軟體錯誤或核心問題等。

     • BEHAVIOR_UNSPECIFIED：不確定 VM 的問題為何。

   • DESCRIPTION_1 和 DESCRIPTION_2：您指定各主機問題的說明，例如 XID 資訊或疑似效能問題。

查看回報主機運作異常的報告

回報主機故障後，Compute Engine 會啟動一系列作業，將主機標示為故障，並準備維修。具體來說，在回報主機故障作業期間，會發生下列程序：

1. 將主機標示為出錯。Compute Engine 會建立報告，指出主機故障作業。「回報出錯的主機」作業接著會建立一連串的子作業。這些子作業會將基礎主機標示為有故障。

2. 準備主機送修。所有子作業完成後，系統會開始回報故障主機作業。Compute Engine 會停止 VM，並啟動修復故障主機的作業。根據 VM 使用的預留項目中指定的預留項目運作模式，以及是否有可用的健康主機，Compute Engine 會讓 VM 保持停止狀態，或嘗試自動遷移並重新啟動 VM。

3. 回報完成並修復主機。Compute Engine 會完成回報出錯主機作業，並執行主機修復作業。

如要追蹤專案中回報主機故障 (compute.instances.reportHostAsFaulty) 作業的狀態，請選取下列其中一個選項。如要進一步瞭解可用於追蹤維修、遷移和自動重新啟動的其他作業，請參閱 Compute Engine 說明文件中的「維護和重新啟動行為」和「監控及規劃主機維護事件」。

GET https://compute.googleapis.com/compute/v1/projects/PROJECT_ID/zones/ZONE/operations&filter=items.operationType:compute.instances.reportHostAsFaulty

後續步驟

• 如果回報主機故障時遇到問題，請參閱「排解主機故障 API 問題」。