在进阶教程中的故障应急手册里添加《节点宕机》小节

Author: liboyang0730

docs/user_manual/operation_and_maintenance/emergency_handbook/04_node_breakdown.md

@@ -0,0 +1,120 @@
+---
+title: 节点宕机
+weight: 4
+---
+
+## 业务及数据库表现
+
+业务表现：业务失败。
+
+数据库表现：数据库服务器节点异常，出现节点宕机，OceanBase 数据库对应节点服务不可用。
+
+## 排查方向和流程
+
+![image](/img/user_manual/operation_and_maintenance/emergency_handbook/04_node_breakdown/001.png)
+
+### 排查是否宕机
+
+检查主机可用性，如果可以登录对应节点，执行 ps 命令看下 observer 进程是否存在。
+
+```
+$ps -ef | grep observer
+03:55:52 /home/xiaofeng.lby/obn.obs0/bin/observer
+00:00:00 grep --color=auto observer
+```
+
+如果进程依然存在，可以进一步检查节点所在主机的网络连通性，排除因为节点间网络隔离或者网络抖动等原因导致的误报。
+
+参考：[NTP 时钟不同步的问题排查](https://www.oceanbase.com/knowledge-base/oceanbase-database-1000000000207684)
+
+
+### 如果健康节点已经不满足多数派
+
+如果评估主机或网络问题无法及时恢复：
+
+- 优先考虑使用 OCP 通过 **物理备租户（集群） Failover** 的方式来进行恢复。
+
+- 其次考虑使用 OCP 通过**物理备份恢复**的方式来进行恢复。
+
+- 如果没有物理备库及数据备份，尝试轮流重启集群各个节点的 observer 进程。
+
+- 如果轮流重启之后依然无法恢复，联系社区论坛值班同学进行排查。
+
+- 联系社区论坛值班同学分析故障根因。
+
+
+**<font color="red">生产环境中的重要数据和关键租户，建议大家启用备份，以防各种不可预期的故障！</font>** 推荐大家在生产环境中使用 OCP 进行白屏化的[物理备份恢复](https://www.oceanbase.com/docs/common-ocp-1000000001739862)，以及[搭建物理备租户/集群](https://www.oceanbase.com/docs/common-ocp-1000000001740033)。
+
+
+### 如果健康节点能构成多数派
+
+- 如果健康节点可以构成多数派，依靠 OceanBase 集群自身的高可用能力（8 秒内选出新的主副本），就能够继续对外提供服务。重启或替换出问题的节点即可。绝大对数情况到这里就结束了。**<font color="red">大家可以收藏一下下面这个命令。</font>**
+
+    ```
+    -- 故障开始前
+    SELECT SVR_IP, ROLE, SCN_TO_TIMESTAMP(END_SCN)
+    FROM oceanbase.GV$OB_LOG_STAT 
+    WHERE TENANT_ID = 1 order by LS_ID, ROLE;
+    +---------------+----------+----------------------------+
+    | SVR_IP        | ROLE     | SCN_TO_TIMESTAMP(END_SCN)  |
+    +---------------+----------+----------------------------+
+    | xx.xxx.xxx.1  | FOLLOWER | 2024-11-27 19:44:27.881516 |
+    | xx.xxx.xxx.2  | FOLLOWER | 2024-11-27 19:44:27.881516 |
+    | xx.xxx.xxx.3  | LEADER   | 2024-11-27 19:44:27.881516 |
+    +---------------+----------+----------------------------+
+
+    -- 系统自动选主后
+    SELECT SVR_IP, ROLE, SCN_TO_TIMESTAMP(END_SCN)
+    FROM oceanbase.GV$OB_LOG_STAT 
+    WHERE TENANT_ID = 1 order by LS_ID, ROLE;
+    +---------------+----------+----------------------------+
+    | SVR_IP        | ROLE     | SCN_TO_TIMESTAMP(END_SCN)  |
+    +---------------+----------+----------------------------+
+    | xx.xxx.xxx.1  | FOLLOWER | 2024-11-27 19:44:38.737837 |
+    | xx.xxx.xxx.2  | LEADER   | 2024-11-27 19:44:38.737837 |
+    +---------------+----------+----------------------------+
+    ```
+> SCN_TO_TIMESTAMP(END_SCN) 会获取指定日志流副本的最新日志位点信息，并转换成时间戳形式。日志流的 Follower 副本和 Leader 副本的最新日志位点差距在 5 秒以内，即可以认为日志是同步的。
+
+- 如果无法对外提供服务，先隔离有问题的节点。并考虑是否需要调大永久下线参数 [server_permanent_offline_time 的值](https://www.oceanbase.com/docs/common-oceanbase-database-cn-1000000001576427)（默认一小时）。
+    ```
+    -- 确认集群各节点状态
+    select SVR_IP, SVR_PORT, ZONE, WITH_ROOTSERVER, STATUS from oceanbase.DBA_OB_SERVERS;
+    +---------------+----------+-------+-----------------+----------+
+    | SVR_IP        | SVR_PORT | ZONE  | WITH_ROOTSERVER | STATUS   |
+    +---------------+----------+-------+-----------------+----------+
+    | xx.xxx.xxx.3  |     2882 | zone3 | NO              | INACTIVE |
+    | xx.xxx.xxx.2  |     2882 | zone2 | YES             | ACTIVE   |
+    | xx.xxx.xxx.1  |     2882 | zone1 | NO              | ACTIVE   |
+    +---------------+----------+-------+-----------------+----------+
+
+    -- 检查永久下线参数值
+    show parameters like "%server_permanent_offline_time%";
+
+    -- 停止节点，隔离故障节点
+    alter system stop server 'xx.xxx.xxx.3:2882';
+    ```
+
+> STOP SERVER 是最安全的隔离命令。STOP SERVER 不但可以将业务流量从该节点上切走，实现该节点与业务流量隔离的效果，还能保证除被隔离节点以外的其他节点依然能够构成 Paxos 多数派，从而可以安全的对被隔离节点执行任何动作，例如 pstack / obstack、调整日志级别等，甚至停止进程。STOP SERVER 适用于需要故障隔离和停机运维的场景，是故障隔离和运维变更首选的隔离命令。
+
+
+- 如果执行完上一步操作，两分钟之后依然无法恢复。手动选择一个不包含问题节点的 zone 进行切主。
+    ```
+    ALTER TENANT tenant_name primary_zone='zone1';
+
+    -- 通过查询 GV$OB_LOG_STAT 中的 ROLE 字段判断切主是否成功。
+    SELECT SVR_IP, ROLE, SCN_TO_TIMESTAMP(END_SCN)
+    FROM oceanbase.GV$OB_LOG_STAT 
+    WHERE TENANT_ID = 1 order by LS_ID, ROLE;
+    ```
+
+- 如果切主三分钟之后，依然无法恢复服务，参考 “如果健康节点已经不满足多数派” 部分的内容进行恢复。
+
+- 联系社区论坛值班同学分析故障根因。
+
+
+# 参考资料
+
+- 洪波大佬的社区博客：[《OceanBase 应急三板斧》](https://open.oceanbase.com/blog/13250502949)
+- 官网文档：[《集群常见故障处理》](https://www.oceanbase.com/docs/common-oceanbase-database-cn-1000000001573937)
+- 官网文档：[《隔离节点》](https://www.oceanbase.com/docs/common-oceanbase-database-cn-1000000001573941)