很大的集群里某台机器出错或者宕机，怎么快速定位到这台机器？

千山独行 2014-11-16 09:51:18

比如有1000台节点的集群，某台宕机的话，有什么好办法能够快速定位呢？

...全文

544 4 打赏收藏转发到动态举报

写回复

4 条回复

切换为时间正序

请发表友善的回复…

发表回复

最勇敢的鸟 2014-11-18

打赏
举报

回复

这必须之前有做监控才可以吧，比如每台服务器有个jsp，你请求的时候，会返回一个ok。然后写个小脚本，每10秒对服务器做一次请求，没响应就告警就可以了

千山独行 2014-11-18

打赏
举报

回复

引用 3 楼 zhang98722 的回复:

推荐两种： 1.jvm监控，本地一个守护进程，连接本地所有java进程，获取jvm信息，上报给你的监控中心，可以获取cpu，内存，gc、线程数、cpu使用等信息，这个能判断jvm信息 2.做一个公共的框架，提供方法调用频率汇报或者自己心跳汇报，这个是业务层次的心跳，是相对更准确的一般大的集群，都离不开这两种监控

按第一种办法，用ganglia这个软件就可以吧

zhang98722 2014-11-18

打赏
举报

回复

推荐两种： 1.jvm监控，本地一个守护进程，连接本地所有java进程，获取jvm信息，上报给你的监控中心，可以获取cpu，内存，gc、线程数、cpu使用等信息，这个能判断jvm信息 2.做一个公共的框架，提供方法调用频率汇报或者自己心跳汇报，这个是业务层次的心跳，是相对更准确的一般大的集群，都离不开这两种监控

千山独行 2014-11-18

打赏
举报

回复

引用 1 楼 sunli880127 的回复:

这必须之前有做监控才可以吧，比如每台服务器有个jsp，你请求的时候，会返回一个ok。然后写个小脚本，每10秒对服务器做一次请求，没响应就告警就可以了

嗯，我觉得也是，得事先有一些监控或者配置，否则一个节点宕机，真是无法排查的

本文介绍如何利用MAI-UI-8B GUI智能体实现Hadoop集群的智能化管理，涵盖智能监控预警、动态YARN资源调度及自动化故障诊断修复三大核心场景。通过视觉理解界面、自然语言指令解析与工具链集成（如SSH、Selenium），该方案在Cloudera Manager等平台上实现了7×24小时巡检、MTTR缩短至3分钟内、紧急任务等待时间降低40%的效果，显著提升大数据平台运维效率与可靠性。

本文聚焦生产环境机器学习服务化落地，详解基于Triton Inference Server与KServe的高可靠模型运行时与编排架构，结合Prometheus、Grafana、Jaeger和Loki构建模型可观测性中枢，覆盖动态批处理、灰度发布、特征漂移监控、GPU利用率优化等核心工程实践，强调可伸缩性、可靠性、可观测性与可治理性四大生产级要求。

本文介绍了 TiKV 的设计思想和关键概念。TiKV 采用 Key-Value 模型，数据存于 RocksDB。通过 Raft 协议保证数据在单机失效时不丢失，按 Region 分散和复制数据实现分布式存储和负载均衡，支持 MVCC 避免读写互斥问题，事务采用优化后的 Percolator 模型。

本文深入解析Redis的主从复制、哨兵模式与集群模式的核心区别，重点阐述Rehash机制的触发条件（负载因子≥1或≥5扩容、<0.1缩容）、渐进式迁移实现原理（rehashidx游标、双哈希表并行服务），以及常用键操作命令如keys、randomkey、exists、ttl、mset/mget等。内容聚焦Redis高性能设计与实际运维关键点。

本文围绕LiuJuan20260223Zimage图像生成模型的企业级部署，重点阐述基于Kubernetes的高可用与弹性伸缩架构设计。涵盖核心挑战分析、K8s容器编排、Horizontal Pod Autoscaler动态扩缩容、GPU资源调度、模型预热、流量队列缓冲及监控告警体系构建。强调在保障服务稳定性的同时实现成本可控的资源弹性供给，适用于AI图片生成类GPU密集型服务。

高性能WEB开发

25,980

社区成员

4,366

社区内容

发帖

与我相关

我的任务

社区管理员

加入社区

近7日
近30日
至今

加载中

查看更多榜单

社区公告

暂无公告

试试用AI创作助手写篇文章吧

+ 用AI写文章