什么原因会导致 Redhat 4 上的内核挂起？

Question

我必须解决十台机器“集群”上的一个棘手问题：其中一台机器在进行硬计算时随机挂起，有时仍能 ping 通，有时则不能。

问题已在电话中向我描述，我仍然无法触摸/看到这些机器，因此我无法更精确地描述。似乎没有（真正的）键盘或显示器与它们相连，因此我对键盘指示灯或显示器上的消息一无所知。

别担心，我真正需要的是一些关于在哪里寻找问题的建议，一些关于什么可能导致内核在正常工作的机器上挂起的建议。

我也看到了这个帖子，但在不同情况下似乎有同样的需求。

我现在的想法是：
- 硬件问题（内存、CPU、风扇等）
- autofs 配置不正确
- nfs(?) 配置不正确
- 存在木马/黑客/等
- /dev/“swap”链接到 /dev/zero
- 内核内存不足（？？）
- 内核有漏洞

换句话说，我试图想象会发生什么样的事件，导致内核而不是生成事件的应用程序崩溃。

以前经历过什么挂机YOU？写给我吧！

短暂性脑缺血发作

Answer 1

首先，虽然 RHEL 4 本身已经相当老了，但它仍然在维护，你可以尝试用最新的补丁进行更新（参见维基信息）。

内核崩溃/挂起可能由多种原因引起。我遇到的原因主要是

1. 内存问题：安装（例如） CD 上的 Ubuntu 版本，然后在其上启动并运行memtest86+，它会主动检查内存（可能需要一些时间才能发现问题）。

2. 硬件问题：导致意外中断，使系统陷入无法恢复的境地、使内核执行进入“空间”、破坏堆栈……

3. 模块问题：不合适的模块（例如与硬件不完全匹配的模块或有缺陷的模块）具有特权访问权限，可能会挂起系统。较旧的内核尤其容易受到威胁（较新的版本可以更好地恢复有缺陷的模块问题）。

还见过神秘的（旧）系统挂起，原因是

4. 主板 CMOS 电池没电了（换一个吧，很便宜）。

5. 网线损坏

也许是升级到新系统的正确时机（例如，现在拥有安装有 Ubuntu 10.04.1 LTS 的服务器并没有什么问题）。

Answer 2

RHEL 4 机器（或任何机器）有无数种挂起方式。您需要收集更多信息。我会从挂起时的日志开始。您还可以设置 NMI 监视程序，以便在机器挂起于内核时强制机器崩溃，并设置 netconsole 以记录发生这种情况时的控制台消息。如果系统在重负载下死机，并且在内核本身没有完全挂起的情况下变得无响应，您可以设置 hangwatch 来触发各种诊断消息（转储到日志或通过 netconsole），或者甚至在达到特定负载阈值时重新启动机器。