梳理数仓FI manager节点健康检查逻辑

摘要：一篇记录FI Manager节点健康检查机制的博文。

本文分享自华为云社区《GaussDB(DWS) FI manager节点健康检查逻辑梳理》，作者：配音师 。

一、相关背景

1.FI Manager作为运维系统，上面可以部署MPPDB、MRS等多种服务。各个服务，以MPPDB为例，又是多个节点组成的集群。Manager对这些节点及节点上的服务进程进行健康检查与问题上报，负责这块功能的服务叫做om-agent。

二、执行逻辑

1.om-agent有健康检查、ha检查等多项监控，本文以健康检查为例，om-agent启动一个ProcessHealthMonitorThread线程，定期检查om-agent所在节点上服务运行健康情况。

2.如ProcessHealthMonitorThread的每个检查线程，在configurations.xml配置文件中有如下图的一些配置项，包括检查所需执行的脚本路径、检查间隔周期等等。

3.每到间隔时间，就会调用如上图为例所配置的执行脚本，本文举例的MPPDB服务脚本中健康检查的命令为：gs_om -t status -h "${hostName}" | grep node_state | awk -F': ' '{print $2}'

4.如果以上检查发现服务进程异常，则会由om-agent发起restartProcess，重启该节点上的服务进程，实际调用mpp-stop.sh与mpp-start.sh脚本。

三、常见问题

1.健康检查会在分钟级的时间间隔进行检查，如果发现服务进程异常，下发重启命令。但是，一些后台故障场景，恢复所需时间很长，例如MPPDB的实例build常常需要以小时计。这时，触发om-agent的健康检查机制，会频繁重启后台进程，导致修复失败。

2.解决方法：备份脚本后，进行修改/opt/huawei/Bigdata/FusionInsight_MPPDB_8.0.0/install/FusionInsight-MPPDB-8.0.0/sbin/mpp-server-monitor.sh脚本，直接返回0，让om-agent跳过服务进程检查的逻辑。等待后台修复完成，再将脚本恢复。

点击关注，第一时间了解华为云新鲜技术~