Oracle RAC一節點宕機導致另一節點HANG的問題分析

        正所謂“福無雙至，禍不單行”，生產上有套2節點Oracle 11.2.0.4數據庫，其中2節點因硬件故障宕機，1節點去HANG住了。我們一起來分析這起故障。

        凌晨4點半，值班同時電話說一套生產庫節點2宕機了，機房的同事看機器正在啟動，估計是硬件原因導致的。心想節點2宕了還有一個節點1在跑，應該問題不大，于是繼續睡覺，離公司近的另一位DBA同事趕往現場支持。可是沒有過多長時間，到現場的DBA反饋信息：活著的另一節點也出問題了。在宕掉的那個節點2上部署了ogg，由于宕機，自動切換到了節點1，但ogg的復制進程延遲一直的增長，感覺像是一直沒有應用。

        嘗試用sqlplus進入庫結果卻報了ORA-00020超過最大進程數，無法登錄數據庫，無法分析數據庫當前的狀況。

        于是分析哪個應用服務器連接這套數據庫，是不是由于應用問題造成的。

        找到連接數最多的那個ip上的應用，與相關業務人員確認，可以封堵其連接數據庫的端口，減少數據庫的外部連接。可是把這個ip禁掉之后，別的ip連接數又漲上來了。開始想到，是不是由于數據庫的問題導致應用處理慢，進而導致連接數過多呢。現在無法登錄數據庫也無法進行驗證。

        與業務部門溝通是否可以嘗試kill部分會話，讓DBA可以連接到數據庫后臺，進行一些管理操作，和性能分析。得到業務部分同事的肯定答復之后，kill了部分LOCAL=NO的會話。以sysdba登錄數據庫后臺，執行性能分析語句，剛查完session的等待事件，查第二個sql的時候，sql執行卡住了。從新的窗口登錄數據庫依然報ORA-00020。這里進一步確定了是由于數據庫的性能問題導致了ogg及應用的問題。

        數據庫都HANG住了，如何分析呢？

        想到了以前看別人分享的一個hanganalyze在數據庫HANG住時可以用于分析HANG的原因，于是找到命令ORADEBUG hanganalyze 3。分析trace文件，看到hang chain如下圖

        再往下看，SMON進程在等待parallel recovery coord wait for reply，等待時間已經有289min，正是故障出現到hanganalyze的時間，而且他阻塞了1465個session。

        從trace中看到等待事件為parallel recover coord wait for reply 、gc domain validation。沒見過這個等待事件，于是查詢MOS，關于這兩個等待事件的文檔不是很多，找到一篇

        不知是否觸發了ORACLE的BUG。

        由于時間緊迫，只能選擇把節點1的數據庫實例進行重啟，重啟后數據庫恢復正常。

        事后找大神幫忙分析原因，看SMON進程的trace信息

        發現正在做并行恢復，查看OSW中的SMON進程監控，沒有發現性能問題。

        查看到有大量的p00xx的進程，說明是在并行進行恢復，也沒有看出有什么問題。

        大神建議使用TFA查看日志進行詳細，結果沒有時間分析就給擱置了。

        總結故障就是：節點2宕機，節點1要接管節點2的數據，結果節點1也因為接管HANG住了。