进阶教程增加网络抖动小节

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

@@ -113,8 +113,52 @@ $ps -ef | grep observer
 - 联系社区论坛值班同学分析故障根因。
 
 
-# 参考资料
+## 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)
+- 官网文档：[《隔离节点》](https://www.oceanbase.com/docs/common-oceanbase-database-cn-1000000001573941)
+
+
+
+## 2024.12.04 补充内容
+
+这里最后多补充一句，就是：
+- 如果机器可以恢复，首先可以尝试在 OCP 中重启。
+
+![image](/img/user_manual/operation_and_maintenance/emergency_handbook/05_network_problem/001.png)
+
+
+如果在 OCP 中无法立刻重启，可以手动进入安装目录去启动 observer 进程：
+
+```
+[[email protected] /home/xiaofeng.lby/oceanbase]
+$sudo su admin
+
+[[email protected] /home/xiaofeng.lby/oceanbase]
+$export LD_LIBRARY_PATH=$LD_LIBRARY_PATH:/home/xiaofeng.lby/oceanbase/lib
+
+[[email protected] /home/xiaofeng.lby/oceanbase]
+$./bin/observer
+./bin/observer
+```
+注意这里需要在 /oceanbase/bin 的上级目录 /oceanbase 去执行 ``./bin/observer`` 这个命令，估计是需要依赖 etc 目录里的一些配置文件。
+```
+[[email protected] /home/xiaofeng.lby/oceanbase]
+$find . -name observer.config.bin
+./etc/observer.config.bin
+```
+
+- 重启之后，在业务低峰期，可以再切回原来的主。防止 session 长期跨机房访问主副本。
+```
+ALTER TENANT tenant_name primary_zone='zone1';
+
+-- 通过查询 GV$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;
+```
+
+- 如果机器无法恢复，直接在 OCP 里添加新节点，并替换发生硬件故障的节点。添加节点后会自动完成补副本的动作。
+
+- 如果没有新机器资源，在机器维修结束之前，也能够以两副本对外提供服务（但是这种方式对高可用的保障较低，存在风险，需要尽快上线新的机器资源）。

docs/user_manual/operation_and_maintenance/emergency_handbook/05_network_problem.md

@@ -0,0 +1,93 @@
+---
+title: 网络抖动
+weight: 5
+---
+
+> 上一小节写了一个 OceanBase 节点宕机时的故障应急思路，下面几个小节再增加其他几种硬件 / 环境故障的处理思路。
+>
+> 大家如果不爱看和故障相关内容，倒也不必强行未雨绸缪。可以先收藏，遇到问题的时候再拿出来用。可以不看，但不能没有。
+
+> **<font color="red">对于明确的网络问题，建议采用 “先隔离，后分析” 的策略。</font>**
+
+
+## 业务及数据库表现
+当网络发生故障或者抖动，可能会导致 OceanBase 集群内的日志流会反复发起无主选举。具体表现在应用层就是应用请求时好时坏。
+
+- 网络轻微抖动时，可能会影响业务 SQL 访问性能。
+
+- 网络严重抖动时，可能导致 OceanBase 通信时好时坏，进而造成频繁切主。业务甚至有可能收到数据库返回的 [ret=-4038](https://open.oceanbase.com/quicksearch?q=OB_NOT_MASTER&scope=knowledge) 这个 OB_NOT_MASTER 的报错（99.9% 都是底层发生切主导致的找不到 leader 副本）。
+
+- 网络完全中断时，如出现网络隔离的节点是主副本节点，集群会切主，切主完成后，业务恢复。这台 OBServer 上的所有 session 如果因为网络原因全部断开，可能也会致使部分业务受到影响。
+
+## 排查方向
+- 网络丢包时，OCP 会有告警。
+
+![image](/img/user_manual/operation_and_maintenance/emergency_handbook/05_network_problem/002.png)
+
+- 如果有网络故障或者长时间丢包，OCP 可能直接会有[主机不可用](https://www.oceanbase.com/docs/common-ocp-1000000001740695)告警。
+
+![image](/img/user_manual/operation_and_maintenance/emergency_handbook/05_network_problem/003.png)
+
+- 网络故障排查方法，详见：[OceanBase 官网文档](https://www.oceanbase.com/docs/common-ocp-1000000001740641)，这里不赘述。
+
+## 应急流程
+
+先在集群所有节点进行网络检查，确认影响范围。
+
+接下来的应急流程和节点宕机的流程比较类似。
+
+### 单机网络故障
+
+- 检查网络监控指标是否出现了丢包、超时重传等。
+
+- **<font color="red">将被影响单机隔离，防止频繁切主（节点隔离）</font>**。
+```
+-- 停止节点，隔离故障节点
+alter system stop server 'xx.xxx.xxx.x:2882';
+```
+- 排查网络问题并解决，然后解除隔离。
+```
+alter system start server 'xx.xxx.xxx.x:2882';
+```
+
+
+### 机房网络故障
+
+
+- 确认受影响的副本。
+
+- **<font color="red">租户切主，将机房对应的整个 ZONE 进行隔离（[副本隔离](https://www.oceanbase.com/docs/common-oceanbase-database-cn-1000000001573944)）</font>**。
+```
+-- 租户切主
+ALTER TENANT tenant_name primary_zone='zone1';
+
+-- 隔离 zone
+ALTER SYSTEM STOP ZONE 'zone1';
+
+SELECT zone, status FROM oceanbase.DBA_OB_ZONES;
++-------+----------+
+| zone  | status   |
++-------+----------+
+| zone1 | INACTIVE |
+| zone2 | ACTIVE   |
+| zone3 | ACTIVE   |
++-------+----------+
+```
+
+- 排查网络问题并解决，然后解除隔离。
+```
+ALTER SYSTEM START ZONE zone_name;
+
+SELECT zone, status FROM oceanbase.DBA_OB_ZONES;
++-------+--------+
+| zone  | status |
++-------+--------+
+| zone1 | ACTIVE |
+| zone2 | ACTIVE |
+| zone3 | ACTIVE |
++-------+--------+
+```
+
+### 集群所有机房网络故障
+
+如果多机房均有网络故障，且网络无法短时恢复，需要切换至备集群（祭出备库）。详见：[官网文档](https://www.oceanbase.com/docs/common-ocp-1000000001740130)。