<div dir="ltr"><div>Ken,</div><div><br></div><div>I have another set of logs : </div><div><br></div><div><font face="monospace" size="2">Sep 01 09:10:05 [1328] <a href="http://TPC-F9-26.phaedrus.sandvine.com">TPC-F9-26.phaedrus.sandvine.com</a>       crmd:     info: do_lrm_rsc_op: Performing key=5:50864:0:86160921-abd7-4e14-94d4-f53cee278858 op=SVSDEHA_monitor_2000<br>SvsdeStateful(SVSDEHA)[6174]:   2017/09/01_09:10:06 ERROR: Resource is in failed state<br>Sep 01 09:10:06 [1328] <a href="http://TPC-F9-26.phaedrus.sandvine.com">TPC-F9-26.phaedrus.sandvine.com</a>       crmd:     info: action_synced_wait:    Managed SvsdeStateful_meta-data_0 process 6274 exited with rc=4<br>Sep 01 09:10:06 [1328] <a href="http://TPC-F9-26.phaedrus.sandvine.com">TPC-F9-26.phaedrus.sandvine.com</a>       crmd:    error: generic_get_metadata:  Failed to receive meta-data for ocf:pacemaker:SvsdeStateful<br>Sep 01 09:10:06 [1328] <a href="http://TPC-F9-26.phaedrus.sandvine.com">TPC-F9-26.phaedrus.sandvine.com</a>       crmd:    error: build_operation_update:    No metadata for ocf::pacemaker:SvsdeStateful<br>Sep 01 09:10:06 [1328] <a href="http://TPC-F9-26.phaedrus.sandvine.com">TPC-F9-26.phaedrus.sandvine.com</a>       crmd:     info: process_lrm_event: Result of monitor operation for SVSDEHA on <a href="http://TPC-F9-26.phaedrus.sandvine.com">TPC-F9-26.phaedrus.sandvine.com</a>: 0 (ok) | call=939 key=SVSDEHA_monitor_2000 confirmed=false cib-update=476<br>Sep 01 09:10:06 [1325] <a href="http://TPC-F9-26.phaedrus.sandvine.com">TPC-F9-26.phaedrus.sandvine.com</a>        cib:     info: cib_process_request:   Forwarding cib_modify operation for section status to all (origin=local/crmd/476)<br>Sep 01 09:10:06 [1325] <a href="http://TPC-F9-26.phaedrus.sandvine.com">TPC-F9-26.phaedrus.sandvine.com</a>        cib:     info: cib_perform_op:    Diff: --- 0.37.4054 2<br>Sep 01 09:10:06 [1325] <a href="http://TPC-F9-26.phaedrus.sandvine.com">TPC-F9-26.phaedrus.sandvine.com</a>        cib:     info: cib_perform_op:    Diff: +++ 0.37.4055 (null)<br>Sep 01 09:10:06 [1325] <a href="http://TPC-F9-26.phaedrus.sandvine.com">TPC-F9-26.phaedrus.sandvine.com</a>        cib:     info: cib_perform_op:    +  /cib:  @num_updates=4055<br>Sep 01 09:10:06 [1325] <a href="http://TPC-F9-26.phaedrus.sandvine.com">TPC-F9-26.phaedrus.sandvine.com</a>        cib:     info: cib_perform_op:    ++ /cib/status/node_state[@id='1']/lrm[@id='1']/lrm_resources/lrm_resource[@id='SVSDEHA']:  <lrm_rsc_op id="SVSDEHA_monitor_2000" operation_key="SVSDEHA_monitor_2000" operation="monitor" crm-debug-origin="do_update_resource" crm_feature_set="3.0.10" transition-key="5:50864:0:86160921-abd7-4e14-94d4-f53cee278858" transition-magic="0:0;5:50864:0:86160921-abd7-4e14-94d4-f53cee278858" on_node="TPC-F9-26.phaedrus.sandvi<br>Sep 01 09:10:06 [1325] <a href="http://TPC-F9-26.phaedrus.sandvine.com">TPC-F9-26.phaedrus.sandvine.com</a>        cib:     info: cib_process_request:   Completed cib_modify operation for section status: OK (rc=0, origin=<a href="http://TPC-F9-26.phaedrus.sandvine.com/crmd/476">TPC-F9-26.phaedrus.sandvine.com/crmd/476</a>, version=0.37.4055)<br><b>Sep 01 09:10:12 [1325] <a href="http://TPC-F9-26.phaedrus.sandvine.com">TPC-F9-26.phaedrus.sandvine.com</a>        cib:     info: cib_process_ping:  Reporting our current digest to <a href="http://TPC-E9-23.phaedrus.sandvine.com">TPC-E9-23.phaedrus.sandvine.com</a>: 74bbb7e9f35fabfdb624300891e32018 for 0.37.4055 (0x7f5719954560 0)<br>Sep 01 09:15:33 [1325] <a href="http://TPC-F9-26.phaedrus.sandvine.com">TPC-F9-26.phaedrus.sandvine.com</a>        cib:     info: cib_perform_op:    Diff: --- 0.37.4055 2</b><br>Sep 01 09:15:33 [1325] <a href="http://TPC-F9-26.phaedrus.sandvine.com">TPC-F9-26.phaedrus.sandvine.com</a>        cib:     info: cib_perform_op:    Diff: +++ 0.37.4056 (null)<br>Sep 01 09:15:33 [1325] <a href="http://TPC-F9-26.phaedrus.sandvine.com">TPC-F9-26.phaedrus.sandvine.com</a>        cib:     info: cib_perform_op:    +  /cib:  @num_updates=4056<br>Sep 01 09:15:33 [1325] <a href="http://TPC-F9-26.phaedrus.sandvine.com">TPC-F9-26.phaedrus.sandvine.com</a>        cib:     info: cib_perform_op:    ++ /cib/status/node_state[@id='2']/lrm[@id='2']/lrm_resources/lrm_resource[@id='SVSDEHA']:  <lrm_rsc_op id="SVSDEHA_last_failure_0" operation_key="SVSDEHA_monitor_1000" operation="monitor" crm-debug-origin="do_update_resource" crm_feature_set="3.0.10" transition-key="7:50662:8:86160921-abd7-4e14-94d4-f53cee278858" transition-magic="2:1;7:50662:8:86160921-abd7-4e14-94d4-f53cee278858" on_node="TPC-E9-23.phaedrus.sand<br>Sep 01 09:15:33 [1325] <a href="http://TPC-F9-26.phaedrus.sandvine.com">TPC-F9-26.phaedrus.sandvine.com</a>        cib:     info: cib_process_request:   Completed cib_modify operation for section status: OK (rc=0, origin=<a href="http://TPC-E9-23.phaedrus.sandvine.com/crmd/53508">TPC-E9-23.phaedrus.sandvine.com/crmd/53508</a>, version=0.37.4056)<br>Sep 01 09:15:33 [1327] <a href="http://TPC-F9-26.phaedrus.sandvine.com">TPC-F9-26.phaedrus.sandvine.com</a>      attrd:     info: attrd_peer_update: Setting fail-count-SVSDEHA[<a href="http://TPC-E9-23.phaedrus.sandvine.com">TPC-E9-23.phaedrus.sandvine.com</a>]: (null) -> 1 from <a href="http://TPC-E9-23.phaedrus.sandvine.com">TPC-E9-23.phaedrus.sandvine.com</a><br>Sep 01 09:15:33 [1327] <a href="http://TPC-F9-26.phaedrus.sandvine.com">TPC-F9-26.phaedrus.sandvine.com</a>      attrd:     info: attrd_peer_update: Setting last-failure-SVSDEHA[<a href="http://TPC-E9-23.phaedrus.sandvine.com">TPC-E9-23.phaedrus.sandvine.com</a>]: (null) -> 1504271733 from <a href="http://TPC-E9-23.phaedrus.sandvine.com">TPC-E9-23.phaedrus.sandvine.com</a><br>Sep 01 09:15:33 [1325] <a href="http://TPC-F9-26.phaedrus.sandvine.com">TPC-F9-26.phaedrus.sandvine.com</a>        cib:     info: cib_perform_op:    Diff: --- 0.37.4056 2<br>Sep 01 09:15:33 [1325] <a href="http://TPC-F9-26.phaedrus.sandvine.com">TPC-F9-26.phaedrus.sandvine.com</a>        cib:     info: cib_perform_op:    Diff: +++ 0.37.4057 (null)<br>Sep 01 09:15:33 [1325] <a href="http://TPC-F9-26.phaedrus.sandvine.com">TPC-F9-26.phaedrus.sandvine.com</a>        cib:     info: cib_perform_op:    +  /cib:  @num_updates=4057<br>Sep 01 09:15:33 [1325] <a href="http://TPC-F9-26.phaedrus.sandvine.com">TPC-F9-26.phaedrus.sandvine.com</a>        cib:     info: cib_perform_op:    ++ /cib/status/node_state[@id='2']/transient_attributes[@id='2']/instance_attributes[@id='status-2']:  <nvpair id="status-2-fail-count-SVSDEHA" name="fail-count-SVSDEHA" </font></div><div><font face="monospace" size="2">value="1"/></font></div><div><font face="Consolas" size="2"><br></font></div><div>I was suspecting around the highlighted parts of the logs above. </div><div><font face="sans-serif" size="2">After 09:10:12 the next log is at 09:15:33. During this time other node failed several times but was not migrated here.</font></div><div><font size="2"><br></font></div><div><font size="2">I am yet to check with sbd fencing with  the patch shared by Klaus.</font></div><div><font size="2">I am on CentOS. </font></div><div><font face="monospace" size="2"><br></font></div><div><font face="monospace" size="2"># cat /etc/centos-release<br>CentOS Linux release 7.3.1611 (Core)</font></div><div><font face="sans-serif" size="2"><br></font></div><div><font face="sans-serif" size="2">Regards,</font></div><div><font face="sans-serif" size="2">Abhay</font></div><div><font face="sans-serif" size="2"><br></font></div><div><br></div><div><b></b><i></i><u></u><sub></sub><sup></sup><strike></strike><b></b><i></i><u></u><sub></sub><sup></sup><strike></strike><b></b><b></b><font face="sans-serif"></font><br></div></div><br><div class="gmail_quote"><div dir="ltr">On Sat, 2 Sep 2017 at 15:23 Klaus Wenninger <<a href="mailto:kwenning@redhat.com">kwenning@redhat.com</a>> wrote:<br></div><blockquote class="gmail_quote" style="margin:0 0 0 .8ex;border-left:1px #ccc solid;padding-left:1ex">On 09/01/2017 11:45 PM, Ken Gaillot wrote:<br>
> On Fri, 2017-09-01 at 15:06 +0530, Abhay B wrote:<br>
>>         Are you sure the monitor stopped? Pacemaker only logs<br>
>>         recurring monitors<br>
>>         when the status changes. Any successful monitors after this<br>
>>         wouldn't be<br>
>>         logged.<br>
>><br>
>> Yes. Since there  were no logs which said "RecurringOp:  Start<br>
>> recurring monitor" on the node after it had failed.<br>
>> Also there were no logs for any actions pertaining to<br>
>> The problem was that even though the one node was failing, the<br>
>> resources were never moved to the other node(the node on which I<br>
>> suspect monitoring had stopped).<br>
>><br>
>><br>
>>         There are a lot of resource action failures, so I'm not sure<br>
>>         where the<br>
>>         issue is, but I'm guessing it has to do with<br>
>>         migration-threshold=1 --<br>
>>         once a resource has failed once on a node, it won't be allowed<br>
>>         back on<br>
>>         that node until the failure is cleaned up. Of course you also<br>
>>         have<br>
>>         failure-timeout=1s, which should clean it up immediately, so<br>
>>         I'm not<br>
>>         sure.<br>
>><br>
>><br>
>> migration-threshold=1<br>
>> failure-timeout=1s<br>
>><br>
>> cluster-recheck-interval=2s<br>
>><br>
>><br>
>>         first, set "two_node:<br>
>>         1" in corosync.conf and let no-quorum-policy default in<br>
>>         pacemaker<br>
>><br>
>><br>
>> This is already configured.<br>
>> # cat /etc/corosync/corosync.conf<br>
>> totem {<br>
>>     version: 2<br>
>>     secauth: off<br>
>>     cluster_name: SVSDEHA<br>
>>     transport: udpu<br>
>>     token: 5000<br>
>> }<br>
>><br>
>><br>
>> nodelist {<br>
>>     node {<br>
>>         ring0_addr: 2.0.0.10<br>
>>         nodeid: 1<br>
>>     }<br>
>><br>
>><br>
>>     node {<br>
>>         ring0_addr: 2.0.0.11<br>
>>         nodeid: 2<br>
>>     }<br>
>> }<br>
>><br>
>><br>
>> quorum {<br>
>>     provider: corosync_votequorum<br>
>>     two_node: 1<br>
>> }<br>
>><br>
>><br>
>> logging {<br>
>>     to_logfile: yes<br>
>>     logfile: /var/log/cluster/corosync.log<br>
>>     to_syslog: yes<br>
>> }<br>
>><br>
>><br>
>>         let no-quorum-policy default in pacemaker; then,<br>
>>         get stonith configured, tested, and enabled<br>
>><br>
>><br>
>> By not configuring no-quorum-policy, would it ignore quorum for a 2<br>
>> node cluster?<br>
> With two_node, corosync always provides quorum to pacemaker, so<br>
> pacemaker doesn't see any quorum loss. The only significant difference<br>
> from ignoring quorum is that corosync won't form a cluster from a cold<br>
> start unless both nodes can reach each other (a safety feature).<br>
><br>
>> For my use case I don't need stonith enabled. My intention is to have<br>
>> a highly available system all the time.<br>
> Stonith is the only way to recover from certain types of failure, such<br>
> as the "split brain" scenario, and a resource that fails to stop.<br>
><br>
> If your nodes are physical machines with hardware watchdogs, you can set<br>
> up sbd for fencing without needing any extra equipment.<br>
<br>
Small caveat here:<br>
If I get it right you have a 2-node-setup. In this case the watchdog-only<br>
sbd-setup would not be usable as it relies on 'real' quorum.<br>
In 2-node-setups sbd needs at least a single shared disk.<br>
For the sbd-single-disk-setup working with 2-node<br>
you need the patch from <a href="https://github.com/ClusterLabs/sbd/pull/23" rel="noreferrer" target="_blank">https://github.com/ClusterLabs/sbd/pull/23</a><br>
in place. (Saw you mentioning RHEL documentation - RHEL-7.4 has<br>
it in since GA)<br>
<br>
Regards,<br>
Klaus<br>
<br>
><br>
>> I will test my RA again as suggested with no-quorum-policy=default.<br>
>><br>
>><br>
>> One more doubt.<br>
>> Why do we see this is 'pcs property' ?<br>
>> last-lrm-refresh: 1504090367<br>
>><br>
>><br>
>><br>
>> Never seen this on a healthy cluster.<br>
>> From RHEL documentation:<br>
>> last-lrm-refresh<br>
>><br>
>> Last refresh of the<br>
>> Local Resource Manager,<br>
>> given in units of<br>
>> seconds since epoca.<br>
>> Used for diagnostic<br>
>> purposes; not<br>
>> user-configurable.<br>
>><br>
>><br>
>> Doesn't explain much.<br>
> Whenever a cluster property changes, the cluster rechecks the current<br>
> state to see if anything needs to be done. last-lrm-refresh is just a<br>
> dummy property that the cluster uses to trigger that. It's set in<br>
> certain rare circumstances when a resource cleanup is done. You should<br>
> see a line in your logs like "Triggering a refresh after ... deleted ...<br>
> from the LRM". That might give some idea of why.<br>
><br>
>> Also. does avg. CPU load impact resource monitoring ?<br>
>><br>
>><br>
>> Regards,<br>
>> Abhay<br>
> Well, it could cause the monitor to take so long that it times out. The<br>
> only direct effect of load on pacemaker is that the cluster might lower<br>
> the number of agent actions that it can execute simultaneously.<br>
><br>
><br>
>> On Thu, 31 Aug 2017 at 20:11 Ken Gaillot <<a href="mailto:kgaillot@redhat.com" target="_blank">kgaillot@redhat.com</a>> wrote:<br>
>><br>
>>         On Thu, 2017-08-31 at 06:41 +0000, Abhay B wrote:<br>
>>         > Hi,<br>
>>         ><br>
>>         ><br>
>>         > I have a 2 node HA cluster configured on CentOS 7 with pcs<br>
>>         command.<br>
>>         ><br>
>>         ><br>
>>         > Below are the properties of the cluster :<br>
>>         ><br>
>>         ><br>
>>         > # pcs property<br>
>>         > Cluster Properties:<br>
>>         >  cluster-infrastructure: corosync<br>
>>         >  cluster-name: SVSDEHA<br>
>>         >  cluster-recheck-interval: 2s<br>
>>         >  dc-deadtime: 5<br>
>>         >  dc-version: 1.1.15-11.el7_3.5-e174ec8<br>
>>         >  have-watchdog: false<br>
>>         >  last-lrm-refresh: 1504090367<br>
>>         >  no-quorum-policy: ignore<br>
>>         >  start-failure-is-fatal: false<br>
>>         >  stonith-enabled: false<br>
>>         ><br>
>>         ><br>
>>         > PFA the cib.<br>
>>         > Also attached is the corosync.log around the time the below<br>
>>         issue<br>
>>         > happened.<br>
>>         ><br>
>>         ><br>
>>         > After around 10 hrs and multiple failures, pacemaker stops<br>
>>         monitoring<br>
>>         > resource on one of the nodes in the cluster.<br>
>>         ><br>
>>         ><br>
>>         > So even though the resource on other node fails, it is never<br>
>>         migrated<br>
>>         > to the node on which the resource is not monitored.<br>
>>         ><br>
>>         ><br>
>>         > Wanted to know what could have triggered this and how to<br>
>>         avoid getting<br>
>>         > into such scenarios.<br>
>>         > I am going through the logs and couldn't find why this<br>
>>         happened.<br>
>>         ><br>
>>         ><br>
>>         > After this log the monitoring stopped.<br>
>>         ><br>
>>         > Aug 29 11:01:44 [16500] <a href="http://TPC-D12-10-002.phaedrus.sandvine.com" rel="noreferrer" target="_blank">TPC-D12-10-002.phaedrus.sandvine.com</a><br>
>>         > crmd:     info: process_lrm_event:   Result of monitor<br>
>>         operation for<br>
>>         > SVSDEHA on <a href="http://TPC-D12-10-002.phaedrus.sandvine.com" rel="noreferrer" target="_blank">TPC-D12-10-002.phaedrus.sandvine.com</a>: 0 (ok) |<br>
>>         call=538<br>
>>         > key=SVSDEHA_monitor_2000 confirmed=false cib-update=50013<br>
>><br>
>>         Are you sure the monitor stopped? Pacemaker only logs<br>
>>         recurring monitors<br>
>>         when the status changes. Any successful monitors after this<br>
>>         wouldn't be<br>
>>         logged.<br>
>><br>
>>         > Below log says the resource is leaving the cluster.<br>
>>         > Aug 29 11:01:44 [16499] <a href="http://TPC-D12-10-002.phaedrus.sandvine.com" rel="noreferrer" target="_blank">TPC-D12-10-002.phaedrus.sandvine.com</a><br>
>>         > pengine:     info: LogActions:  Leave   SVSDEHA:0<br>
>>          (Slave<br>
>>         > <a href="http://TPC-D12-10-002.phaedrus.sandvine.com" rel="noreferrer" target="_blank">TPC-D12-10-002.phaedrus.sandvine.com</a>)<br>
>><br>
>>         This means that the cluster will leave the resource where it<br>
>>         is (i.e. it<br>
>>         doesn't need a start, stop, move, demote, promote, etc.).<br>
>><br>
>>         > Let me know if anything more is needed.<br>
>>         ><br>
>>         ><br>
>>         > Regards,<br>
>>         > Abhay<br>
>>         ><br>
>>         ><br>
>>         > PS:'pcs resource cleanup' brought the cluster back into good<br>
>>         state.<br>
>><br>
>>         There are a lot of resource action failures, so I'm not sure<br>
>>         where the<br>
>>         issue is, but I'm guessing it has to do with<br>
>>         migration-threshold=1 --<br>
>>         once a resource has failed once on a node, it won't be allowed<br>
>>         back on<br>
>>         that node until the failure is cleaned up. Of course you also<br>
>>         have<br>
>>         failure-timeout=1s, which should clean it up immediately, so<br>
>>         I'm not<br>
>>         sure.<br>
>><br>
>>         My gut feeling is that you're trying to do too many things at<br>
>>         once. I'd<br>
>>         start over from scratch and proceed more slowly: first, set<br>
>>         "two_node:<br>
>>         1" in corosync.conf and let no-quorum-policy default in<br>
>>         pacemaker; then,<br>
>>         get stonith configured, tested, and enabled; then, test your<br>
>>         resource<br>
>>         agent manually on the command line to make sure it conforms to<br>
>>         the<br>
>>         expected return values<br>
>>         ( <a href="http://clusterlabs.org/doc/en-US/Pacemaker/1.1-pcs/html-single/Pacemaker_Explained/index.html#ap-ocf" rel="noreferrer" target="_blank">http://clusterlabs.org/doc/en-US/Pacemaker/1.1-pcs/html-single/Pacemaker_Explained/index.html#ap-ocf</a> ); then add your resource to the cluster without migration-threshold or failure-timeout, and work out any issues with frequent failures; then finally set migration-threshold and failure-timeout to reflect how you want recovery to proceed.<br>
>>         --<br>
>>         Ken Gaillot <<a href="mailto:kgaillot@redhat.com" target="_blank">kgaillot@redhat.com</a>><br>
>><br>
>><br>
>><br>
>><br>
>><br>
>>         _______________________________________________<br>
>>         Users mailing list: <a href="mailto:Users@clusterlabs.org" target="_blank">Users@clusterlabs.org</a><br>
>>         <a href="http://lists.clusterlabs.org/mailman/listinfo/users" rel="noreferrer" target="_blank">http://lists.clusterlabs.org/mailman/listinfo/users</a><br>
>><br>
>>         Project Home: <a href="http://www.clusterlabs.org" rel="noreferrer" target="_blank">http://www.clusterlabs.org</a><br>
>>         Getting started:<br>
>>         <a href="http://www.clusterlabs.org/doc/Cluster_from_Scratch.pdf" rel="noreferrer" target="_blank">http://www.clusterlabs.org/doc/Cluster_from_Scratch.pdf</a><br>
>>         Bugs: <a href="http://bugs.clusterlabs.org" rel="noreferrer" target="_blank">http://bugs.clusterlabs.org</a><br>
<br>
<br>
_______________________________________________<br>
Users mailing list: <a href="mailto:Users@clusterlabs.org" target="_blank">Users@clusterlabs.org</a><br>
<a href="http://lists.clusterlabs.org/mailman/listinfo/users" rel="noreferrer" target="_blank">http://lists.clusterlabs.org/mailman/listinfo/users</a><br>
<br>
Project Home: <a href="http://www.clusterlabs.org" rel="noreferrer" target="_blank">http://www.clusterlabs.org</a><br>
Getting started: <a href="http://www.clusterlabs.org/doc/Cluster_from_Scratch.pdf" rel="noreferrer" target="_blank">http://www.clusterlabs.org/doc/Cluster_from_Scratch.pdf</a><br>
Bugs: <a href="http://bugs.clusterlabs.org" rel="noreferrer" target="_blank">http://bugs.clusterlabs.org</a><br>
</blockquote></div>