云计算之路-阿里云上：节点 CPU 波动引发 docker swarm 集群故障

非常抱歉，今天 10:05-10:20 左右，我们用阿里云服务器搭建的 docker swarm 集群又出现故障，又是因为突然的节点 CPU 波动。

受这次故障影响的站点有 闪存，博问，班级，园子，短信息，招聘，小组，网摘，openapi ，由此给您带来很大的麻烦，请您谅解。

故障前先是有一个 worker 节点出现 CPU 100% 报警：

云服务器ECS实例：swarm1-node5，CPU使用率于10:00发生告警，值为100%，持续时间1分钟

收到报警后，我们将这个节点下线并重启：

docker node update --availability drain swarm1-node5

然后，3 个 manager 节点一个接一个地 ssh 无法登录，之后整个集群宕机，跑在集群上的所有站点无法访问。

随后，我们通过阿里云控制台强制重启 manager 节点，但重启后集群无法恢复：

Error response from daemon: rpc error: code = Unknown desc = The swarm does not have a leader. It's possible that too few managers are online. Make sure more than half of the managers are online.

这时别无选择，我们立即执行 shell 脚本重建集群：

# ./rebuild-production-swarm.sh
Swarm initialized: current node (id6b69wj83ok2cf3tnsg7vm8l) is now a manager.

（注：这也是我们选择自建 docker swarm 集群没有选择阿里云容器服务的原因之一，可以快速地用脚本重建集群）

重建集群后，一切恢复正常。

附1：docker 版本是 Docker version 17.12.0-ce, build c97c6d6 。

附2：集群中各个节点的 CPU 监控图：

1）swarm1-node1（manager节点）

2）swarm1-node2（manager节点）

3）swarm1-node3（manager节点）

4）swarm1-node4（worker 节点）

5）swarm1-node5（worker 节点）