<div dir="ltr"><div dir="auto"><div>Hi Ulrich,</div><div dir="auto">Thank you for your response. </div><div dir="auto">It makes sense that this would be happening on the failing, secondary/slave node, in which case we might expect drbd to be restarted (entirely, since it is already demoted) on the slave. I don't see how it would affect the master, unless the failing secondary is causing some issue with drbd on the primary that causes the monitor on the master to time out for some reason. This does not (so far) seem to be the case, as the failing node has now been in maintenance mode for a couple of days with drbd still running as secondary, so if drbd failures on the secondary were causing the monitor on the Master/Primary to timeout, we should still be seeing that; we are not. The master has yet to demote the drbd resource since we put the failing node in maintenance. </div><div dir="auto">We will watch for a bit longer.</div><div>Thanks again</div><div><br></div><div dir="auto"><br><br><div class="gmail_quote" dir="auto"><div dir="ltr" class="gmail_attr">On Thu, Jan 21, 2021, 2:23 AM Ulrich Windl <<a href="mailto:Ulrich.Windl@rz.uni-regensburg.de" target="_blank">Ulrich.Windl@rz.uni-regensburg.de</a>> wrote:<br></div><blockquote class="gmail_quote" style="margin:0 0 0 .8ex;border-left:1px #ccc solid;padding-left:1ex">>>> Stuart Massey <<a href="mailto:stuart.e.massey@gmail.com" rel="noreferrer" target="_blank">stuart.e.massey@gmail.com</a>> schrieb am 20.01.2021 um 03:41<br>
in<br>
Nachricht<br>
<<a href="mailto:CAJfrB75UPUmZJPjXCoACRDGoG-BqDcJHff5c_OmVBFya53D-dw@mail.gmail.com" rel="noreferrer" target="_blank">CAJfrB75UPUmZJPjXCoACRDGoG-BqDcJHff5c_OmVBFya53D-dw@mail.gmail.com</a>>:<br>
> Strahil,<br>
> That is very kind of you, thanks.<br>
> I see that in your (feature set 3.4.1) cib, drbd is in a <clone>  with some<br>
> meta_attributes and operations having to do with promotion, while in our<br>
> (feature set 3.0.14) cib, drbd is in a <master> which does not have those<br>
> (maybe since promotion is implicit).<br>
> Our cluster has been working quite well for some time, too. I wonder what<br>
> would happen if you could hang the os in one of your nodes? If a VM, maybe<br>
<br>
Unless some other fencing mechanism (like watchdog timeout) kicks in, thge<br>
monitor operation is the only thing that can detect a problem (from the<br>
cluster's view): The monitor operation would timeout. Then the cluster would<br>
try to restart the resource (stop, then start). If stop also times out the node<br>
will be fenced.<br>
<br>
> the constrained secondary could be starved by setting disk IOPs to<br>
> something really low. Of course, you are using different versions of just<br>
> about everything, as we're on centos7.<br>
> Regards,<br>
> Stuart<br>
> <br>
> On Tue, Jan 19, 2021 at 6:20 PM Strahil Nikolov <<a href="mailto:hunter86_bg@yahoo.com" rel="noreferrer" target="_blank">hunter86_bg@yahoo.com</a>><br>
> wrote:<br>
> <br>
>> I have just built a test cluster (centOS 8.3) for testing DRBD and it<br>
>> works quite fine.<br>
>> Actually I followed my notes from<br>
>> <a href="https://forums.centos.org/viewtopic.php?t=65539" rel="noreferrer noreferrer" target="_blank">https://forums.centos.org/viewtopic.php?t=65539</a> with the exception of<br>
>> point 8 due to the "promotable" stuff.<br>
>><br>
>> I'm attaching the output of 'pcs cluster cib file' and I hope it helps you<br>
>> fix your issue.<br>
>><br>
>> Best Regards,<br>
>> Strahil Nikolov<br>
>><br>
>><br>
>> В 09:32 -0500 на 19.01.2021 (вт), Stuart Massey написа:<br>
>><br>
>> Ulrich,<br>
>> Thank you for that observation. We share that concern.<br>
>> We have 4 ea 1G nics active, bonded in pairs. One bonded pair serves the<br>
>> "public" (to the intranet) IPs, and the other bonded pair is private to<br>
the<br>
>> cluster, used for drbd replication. HA will, I hope, be using the "public"<br>
>> IP, since that is the route to the IP addresses resolved for the host<br>
>> names; that will certainly be the only route to the quorum device. I can<br>
>> say that this cluster has run reasonably well for quite some time with<br>
this<br>
>> configuration prior to the recently developed hardware issues on one of<br>
the<br>
>> nodes.<br>
>> Regards,<br>
>> Stuart<br>
>><br>
>> On Tue, Jan 19, 2021 at 2:49 AM Ulrich Windl <<br>
>> <a href="mailto:Ulrich.Windl@rz.uni-regensburg.de" rel="noreferrer" target="_blank">Ulrich.Windl@rz.uni-regensburg.de</a>> wrote:<br>
>><br>
>> >>> Stuart Massey <<a href="mailto:djangoschef@gmail.com" rel="noreferrer" target="_blank">djangoschef@gmail.com</a>> schrieb am 19.01.2021 um 04:46<br>
>> in<br>
>> Nachricht<br>
>> <<a href="mailto:CABQ68NQuTyYXcYgwcUpg5TxxaJjwhSp%2Bc6GCOKfOwGyRQSAAjQ@mail.gmail.com" rel="noreferrer" target="_blank">CABQ68NQuTyYXcYgwcUpg5TxxaJjwhSp+c6GCOKfOwGyRQSAAjQ@mail.gmail.com</a>>:<br>
>> > So, we have a 2-node cluster with a quorum device. One of the nodes<br>
>> (node1)<br>
>> > is having some trouble, so we have added constraints to prevent any<br>
>> > resources migrating to it, but have not put it in standby, so that drbd<br>
>> in<br>
>> > secondary on that node stays in sync. The problems it is having lead to<br>
>> OS<br>
>> > lockups that eventually resolve themselves - but that causes it to be<br>
>> > temporarily dropped from the cluster by the current master (node2).<br>
>> > Sometimes when node1 rejoins, then node2 will demote the drbd ms<br>
>> resource.<br>
>> > That causes all resources that depend on it to be stopped, leading to a<br>
>> > service outage. They are then restarted on node2, since they can't run<br>
on<br>
>> > node1 (due to constraints).<br>
>> > We are having a hard time understanding why this happens. It seems like<br>
>> > there may be some sort of DC contention happening. Does anyone have any<br>
>> > idea how we might prevent this from happening?<br>
>><br>
>> I think if you are routing high-volume DRBD traffic throuch "the same<br>
>> pipe" as the cluster communication, cluster communication may fail if the<br>
>> pipe is satiated.<br>
>> I'm not happy with that, but it seems to be that way.<br>
>><br>
>> Maybe running a combination of iftop and iotop could help you understand<br>
>> what's going on...<br>
>><br>
>> Regards,<br>
>> Ulrich<br>
>><br>
>> > Selected messages (de-identified) from pacemaker.log that illustrate<br>
>> > suspicion re DC confusion are below. The update_dc and<br>
>> > abort_transition_graph re deletion of lrm seem to always precede the<br>
>> > demotion, and a demotion seems to always follow (when not already<br>
>> demoted).<br>
>> ><br>
>> > Jan 18 16:52:17 [21938] <a href="http://node02.example.com" rel="noreferrer noreferrer" target="_blank">node02.example.com</a>       crmd:     info:<br>
>> > do_dc_takeover:        Taking over DC status for this partition<br>
>> > Jan 18 16:52:17 [21938] <a href="http://node02.example.com" rel="noreferrer noreferrer" target="_blank">node02.example.com</a>       crmd:     info:<br>
>> update_dc:<br>
>> >     Set DC to <a href="http://node02.example.com" rel="noreferrer noreferrer" target="_blank">node02.example.com</a> (3.0.14)<br>
>> > Jan 18 16:52:17 [21938] <a href="http://node02.example.com" rel="noreferrer noreferrer" target="_blank">node02.example.com</a>       crmd:     info:<br>
>> > abort_transition_graph:        Transition aborted by deletion of<br>
>> > lrm[@id='1']: Resource state removal | cib=0.89.327<br>
>> > source=abort_unless_down:357<br>
>> > path=/cib/status/node_state[@id='1']/lrm[@id='1'] complete=true<br>
>> > Jan 18 16:52:19 [21937] <a href="http://node02.example.com" rel="noreferrer noreferrer" target="_blank">node02.example.com</a>    pengine:     info:<br>
>> > master_color:  ms_drbd_ourApp: Promoted 0 instances of a possible 1 to<br>
>> > master<br>
>> > Jan 18 16:52:19 [21937] <a href="http://node02.example.com" rel="noreferrer noreferrer" target="_blank">node02.example.com</a>    pengine:   notice:<br>
>> LogAction:<br>
>> >      * Demote     drbd_ourApp:1     (            Master -> Slave<br>
>> > <a href="http://node02.example.com" rel="noreferrer noreferrer" target="_blank">node02.example.com</a> )<br>
>><br>
>><br>
>><br>
>><br>
>> _______________________________________________<br>
>> Manage your subscription:<br>
>> <a href="https://lists.clusterlabs.org/mailman/listinfo/users" rel="noreferrer noreferrer" target="_blank">https://lists.clusterlabs.org/mailman/listinfo/users</a> <br>
>><br>
>> ClusterLabs home: <a href="https://www.clusterlabs.org/" rel="noreferrer noreferrer" target="_blank">https://www.clusterlabs.org/</a> <br>
>><br>
>> _______________________________________________<br>
>><br>
>> Manage your subscription:<br>
>><br>
>> <a href="https://lists.clusterlabs.org/mailman/listinfo/users" rel="noreferrer noreferrer" target="_blank">https://lists.clusterlabs.org/mailman/listinfo/users</a> <br>
>><br>
>><br>
>><br>
>> ClusterLabs home:<br>
>><br>
>> <a href="https://www.clusterlabs.org/" rel="noreferrer noreferrer" target="_blank">https://www.clusterlabs.org/</a> <br>
>><br>
>><br>
>><br>
<br>
<br>
<br>
_______________________________________________<br>
Manage your subscription:<br>
<a href="https://lists.clusterlabs.org/mailman/listinfo/users" rel="noreferrer noreferrer" target="_blank">https://lists.clusterlabs.org/mailman/listinfo/users</a><br>
<br>
ClusterLabs home: <a href="https://www.clusterlabs.org/" rel="noreferrer noreferrer" target="_blank">https://www.clusterlabs.org/</a><br>
</blockquote></div></div></div>
</div>