[发明专利]一种Lustre并行文件系统错误报警方法及其系统

说明书

技术领域

本发明涉及计算机领域，具体涉及一种Lustre并行文件系统错误报警方法及其系统。

背景技术

大规模超算中心一般环境比较复杂，当Lustre并行文件系统发生故障时，关联的因素非常多，通过人工的方法去查找日志等信息来定位问题，通常会耗费大量的时间，故障无法及时得到解决。目前Lustre的监控软件主要用LMT。LMT能够通过Lustre的一些统计信息接口较好的呈现Lustre的历史使用状况，如当前读写速率、空间使用率等等。

LMT能提供一些文件系统IO流量、使用率等信息的统计，但无法进行对系统运行环境、Lustre日志等信息的分析和报警，对于Lustre文件系统运行维护并没有起到太大作用。当Lustre文件系统出现故障时仍然需要较长的时间去分析定位问题，如果管理员不在现场，故障就难以及时发现和解决。

发明内容

针对现有技术的不足，本发明提供一种Lustre并行文件系统错误报警方法及其系统，可以及时的发现故障并通知管理员，减少经济损失。

本发明提供的一种Lustre并行文件系统错误报警方法，其改进之处在于，所述方法包括如下步骤：

（1）监控模块对OSS日志进行周期性扫描；

（2）分析所述日志信息，判断是否存在故障信息，并将所述故障信息生成告警报告；

（3）严重的故障生成单独的报告供程序进一步分析，用于定位问题和自动处理。最后再和普通告警信息汇总写入txt文件中，通过mail中转站发送给管理员。。

其中，步骤（1）所述oss日志包括系统网络质量、Lustre日志信息和heartbeat日志信息。

其中，步骤（2）所述故障信息包括存储故障信息或导致存储出现故障的信息。

其中，步骤（3）所述定位过程包括如下步骤：

1）根据严重故障定位危险客户端，生成待重启节点列表；

2）判断危险客户端是否为僵死客户端，是则重启客户端，否则不予处理，待观察。

3）判断重启的客户端是否有异常，是则将异常信息通过mail中转站发送给管理员，否则属于正常重启，将操作成功日志写入LAToolkit日志中。

其中，步骤2）重启客户端通过向客户端的管理模块控制客户端的电源，将客户端重启。

其中，步骤（3）所述严重故障是指会直接导致存储系统故障的一种类型，其包括出现导致存储服务器死机的故障、出现导致存储服务器后端磁盘出现只读的故障、主备存储服务器间出现切换故障或主备服务器间心跳线故障。

其中，步骤（3）所述普通故障是指不会直接导致存储系统的故障的一种类型，其包括网络轻微丢包、某个邮件服务器故障或日志扫描时间过长现象。

本发明基于另一目的提供的一种Lustre并行文件系统错误报警系统，其改进之处在于，所述报警系统包括LAToolkit服务端、存储客户端集群、邮件服务器集群和LAToolkit客户端；

所述LAToolkit服务端、所述存储客户端集群和所述LAToolkit客户端通过存储网进行数据的交换和存储；

所述LAToolkit服务端、所述存储客户端集群、所述邮件服务器集群和所述LAToolkit客户端通过存储管理网进行数据管理；

所述LAToolkit服务端和所述存储客户端集群通过电源管理网进行服务器的重启。

其中，所述存储客户端集群用于存储客户端集群挂载存储系统；

所述邮件服务器集群用于LAToolkit向外发送告警邮件；

所述LAToolkit客户端部署于Lustre存储服务器（OSS）上，用于采集OSS日志及其他判断存储系统状态的信；

所述LAToolkit服务端部署于Lustre元数据（MDS）/管理（MGS）服务器上，用于处理LAToolkit客户端收集到的信息和处理其他LAToolkit操作。

其中，所述报警系统包括管理终端，所述管理终端通过所述存储管理网对所述LAToolkit服务端、所述存储客户端集群、所述邮件服务器集群和所述LAToolkit客户端进行控制。

其中，所述LAToolkit服务端和所述所述LAToolkit客户端为冗余设置。

与现有技术比，本发明的有益效果为：

本发明故障信息生成txt文件再转给管理员，其方便阅读，能直接查看，且能长期保存作为历史记录供查阅。