HCI 旗舰版通用存储与高性能存储巡检方案 | 技术方案 · KB

适用场景

产品：HCI 旗舰版。
组件：通用存储、高性能存储。
版本：ZStone 5.4.0 及之后版本；5.4.30 起，zstnctl inspect 随发布包提供。早于 5.4.30 的环境应先确认单独提供的工具与当前环境兼容。
涉及对象：管理节点、通用存储、高性能存储、硬件、系统和网络。
触发条件：需要开展日常巡检、变更前后状态对比，或收集存储和基础设施异常线索。

本文用于发现和定位异常线索，不替代针对单个故障的处理方案，也不包含硬件固件升级、磁盘更换或数据库修复操作。

需要统一检查集群健康、容量、缓存、磁盘、系统服务和网络状态。
巡检报告显示 HEALTH_WARN、NOT_SYNCED、WARNING、NOT_SUPPORT、Unknown 或 ABNORMAL ITEMS FOUND。
需要确认报告中的异常是实际资源异常、历史记录，还是工具采集不完整。

inspect completed. 仅表示巡检命令已完成，不表示集群健康。NOT_SUPPORT、Unknown 或字段为空，也不能直接视为硬件故障或健康检查通过。

   /opt/zstone/bin/zstnctl version
   /opt/zstone/bin/zstnctl inspect --help

环境	存储模块	公共模块
仅通用存储	`ceph`	`overview,hardware,system,network`
仅高性能存储	`zbs`	`overview,hardware,system,network`
同时包含两类存储	`ceph,zbs` 或 `all`	`overview,hardware,system,network`

实际没有部署高性能存储时，ZBS cluster not detected, skip zbs module check. 表示跳过不适用模块；若环境已部署高性能存储，则应继续检查工具识别范围，不能将该提示视为通过。

zstnctl inspect 会汇总存储命令、平台记录以及节点硬件、系统和网络检查结果。报告异常可能来自存储资源、时间同步、系统服务、硬件、网络，或 VIP、节点访问和连接参数不匹配导致的采集不完整。异常项目数量用于定位检查项，不能直接换算为故障设备数量。

在当前承载 ZStone VIP 的节点执行。单管理节点只填写一个 IP，多个管理节点使用英文逗号分隔：

/opt/zstone/bin/zstnctl inspect \
  --master-ips '<管理节点1IP>,<管理节点2IP>'

如果在非 VIP 节点执行，在上述命令中补充实际 ZStone VIP：

/opt/zstone/bin/zstnctl inspect \
  --master-ips '<管理节点1IP>,<管理节点2IP>' \
  --vip '<ZStone VIP>'

命令开始后等待各模块完成。网络检查可能存在采样阶段，实际耗时以环境规模和巡检范围为准。

通用存储与公共检查：

/opt/zstone/bin/zstnctl inspect \
  --master-ips '<管理节点IP列表>' \
  --module overview,ceph,hardware,system,network

高性能存储与公共检查：

/opt/zstone/bin/zstnctl inspect \
  --master-ips '<管理节点IP列表>' \
  --module overview,zbs,hardware,system,network

可使用 --ceph-pools 或 --zbs-pools 指定单个存储池。缩小模块或存储池范围后的报告，只能代表该范围内的检查结果。

工具支持 table、json 和 csv 格式，默认格式为 table。例如：

/opt/zstone/bin/zstnctl inspect \
  --master-ips '<管理节点IP列表>' \
  --format json

保存报告时记录工具版本、执行时间、节点和巡检范围。若用于自动化解析，应先确认当前版本的输出不混有进度日志。

报告内容	处理建议
`Cluster Health: HEALTH_WARN`	展开具体告警，结合通用存储健康状态继续排查。
`Time Sync: NOT_SYNCED`	使用 `chronyc sources` 检查同步源和同步状态。
bcache 可用比例低	结合 dirty 数据、目标值和业务负载分析，不直接修改缓存参数。
bcache 路径读取失败	核对缓存关联、设备和 sysfs 路径，区分采集问题与缓存状态问题。
`WITHOUT_CACHE`	表示该检查项没有缓存，应结合资源设计确认，不自动判定故障。
90 天历史告警 `WARNING`	结合告警发生时间和当前状态判断是否已经恢复。
`NOT_SUPPORT`、`NOT_SUPPORTED`、`Unknown`	表示该指标无法直接作为正常或故障结论，应结合厂商工具或现场检查。
寿命字段为 `0` 或 `-1`	先查看 `Message` 是否说明不支持，不将该值直接解释为寿命耗尽。
网络丢包、收发错误或丢弃计数	结合采样窗口、网卡、业务网络和存储网络持续复核。