Ansible（偶尔）**失败，主机无法访问-无法通过ssh连接到主机

Question

我们正在使用ansible将多个节点配置为一个集群。这些机器是在自定义AWS类似基础设施上创建的实例。我们在不同的剧本上有大约一百个任务，它们在每个节点上执行。

问题是，我们收到零星的主机无法访问的错误，并且由于以下失败而停止了剧本的执行：

TASK [common : install basic packages] *************************
fatal: [fqdn.for.a.node]: UNREACHABLE! => {"changed": false, "msg": "Failed to connect to the host via ssh.", "unreachable": true}

用-vvv输出：

TASK [common : install basic packages] *******************************
task path: /jenkins/workspace/Cluster-Deployment/91/roles/common/tasks/install-basic-packages.yml:1
<fqdn.for.a.node> ESTABLISH SSH CONNECTION FOR USER: root
<fqdn.for.a.node> SSH: EXEC ssh -C -q -o ControlMaster=auto -o ControlPersist=60s -o StrictHostKeyChecking=no -o 'IdentityFile="id_rsa"' -o KbdInteractiveAuthentication=no -o PreferredAuthentications=gssapi-with-mic,gssapi-keyex,hostbased,publickey -o PasswordAuthentication=no -o User=root -o ConnectTimeout=600 -o ControlPath=/home/turkenh/.ansible/cp/ansible-ssh-%h-%p-%r fqdn.for.a.node '/bin/sh -c '"'"'( umask 77 && mkdir -p "` echo $HOME/.ansible/tmp/ansible-tmp-1466523588.96-210828884892875 `" && echo ansible-tmp-1466523588.96-210828884892875="` echo $HOME/.ansible/tmp/ansible-tmp-1466523588.96-210828884892875 `" ) && sleep 0'"'"''
failed: [fqdn.for.a.node] (item=[u'unzip']) => {"item": ["unzip"], "msg": "Failed to connect to the host via ssh.", "unreachable": true}

这是我们的ansible.cfg文件：

[defaults]
forks = 50
sudo_flags=-i
nocows=1

# do not check host key while doing ssh
host_key_checking = False
# use openssh not paramiko
transport = ssh
private_key_file = id_rsa
remote_user = root

请参阅下面的注释：

• 当我们尝试在故障后立即使用可访问的主机对可访问的主机执行ping操作（使用ansible ping模块，而不是ping shell命令）时，它会抛出相同的错误，但是如果我们等待一分钟左右，便可以对其进行ping操作。

• 关于基于定制AWS的自定义基础架构，我们可以说的是，不时地可能会出现一些零星的连接问题，而这些问题所花费的时间不会超过1-2分钟。

• 尝试在ansible.cfg中将超时参数设置为较大的数字（即600），但没有帮助。

• 我们正在配置节点ubuntu，redhat和suse，但是无论操作系统如何，我们都会以20％左右的概率获取此错误。

• 它不是我的剧本中失败的相同或相似任务，而是随机失败。（有时在设置模块中，有时在包装模块中，...）

• 我们的版本是2.1（通过pip安装），工作站的操作系统是Ubuntu 14.04。

因此，我们需要以某种方式对ansible说，如果您看到一个节点不可达，请不要放弃失败。请等待一段时间或重试n次，然后再放弃无法访问的内容。我们应该怎么做？

Answer 1

正式回答您的问题：您可以使用来增加清单文件中的ssh尝试次数ansible_ssh_common_args="-o ConnectionAttempts=20"。为问题主机，主机组或all虚拟组（例如，在group_vars/all.yml文件中）指定它。

还有ssh_args配置选项，但是我不希望对其进行修改，因为它会覆盖ansible的默认ssh参数。