我们正在经历一个非常奇怪和令人沮丧的问题。我们公司在马萨诸塞州和加利福尼亚州都有服务器。我们看到的问题仅出现在 CA 硬件上。在加州，我们有数百台戴尔 R300 和戴尔 R310 服务器，它们都连接到四台 HP Procurve 4208vl 交换机。每个型号有两台交换机，一台用于前端网络，一台用于后端网络。这些系统排列在集群中，并且都用于我们运行的各种测试，以测试我们正在开发的软件操作系统。其中许多测试需要连续和/或重复重启。许多（如果不是大多数）测试会再次使用操作系统重新配置节点。问题是，如果有足够的时间，似乎是随机发生的，这些系统中的一个（或多个）将具有关闭的 eth0 或 eth1 接口。
问题是节点会间歇性地启动，eth0 或 eth1 上都没有连接，有时两者都没有。解决方法是通过后端（如果 eth0 已关闭）或前端（如果 eth1 已关闭）通过 SSH 进入并在已关闭的接口上运行 ifdown/ifup。
解决方法列表： - 服务网络重启 - ifdown eth1（或 eth0），然后 ifup eth1（或 eth0） - 重新安装网络电缆 - 重新启动服务器
这对开发团队来说是一个巨大的痛苦，因为它会阻止整个集群运行测试，直到手动干预。
最糟糕的部分发生在节点为操作系统安装启动 busybox 并且 eth0 退出时：在这种情况下，节点完全无法访问，因为我们在 busybox 中没有 eth1，并且操作系统安装无法继续，因为它不能与 PXE 服务器交谈以下拉操作系统的最新映像（因为 eth0 已关闭）。陷入这种状态的节点会像这样卡住，直到下次我在 CA 中接听某人的电话并让他手动重新启动节点。
已采取以下措施来尝试解决这个看似随机且无法重现的问题：