简介《Isilon-X400节点替换手册》是一份面向存储运维工程师和系统管理员的官方操作指南针对EMC Isilon X400网络附加存储NAS集群的节点故障场景完整说明如何在不破坏数据完整性的前提下安全完成节点替换。手册基于OneFS操作系统编写内容按操作顺序展开首先收集故障节点日志用于问题定位和技术支持随后从Isilon技术支援获取FRU现场更换单元包接着关闭故障节点将硬盘、DIMM内存、引导驱动器及PCIe扩展卡迁移到替换机箱安装新节点后运行安装脚本和固件更新启动系统自检与数据一致性验证最后更新安装数据库使集群记录新硬件配置。手册还特别提醒替换过程存在停机时间窗口需与现场工程师协调安排对于SmartLock合规模式集群则给出sudo前缀命令的使用说明。资源包为单份PDF文件大小4.94MB结构清晰、步骤明确适合具备OneFS基础的中级存储管理员作为应急排障时的标准化参考。目前已有442人学习对需要维护Isilon X400的团队具有很高的实用价值。1. Isilon X400 节点替换真正决定成败的是 30 分钟和一组 bay 号手里管着一套 Isilon X400 存储集群最怕的就是半夜收到节点 Down 的告警。第一次做 X400 节点替换时我以为是拔盘插盘的事结果手册第一页就把我拉回现实新节点必须先上电充电 30 分钟因为 IB/NVRAM 卡断电后靠 NVRAM 电池供电这块电池就是整个迁移窗口的“后悔药”如果集群跑在 SmartLock compliance 模式root 被禁用连isi drivefirmware status都要加 sudo 前缀。这份《Isilon-X400节点替换手册》提供的是官方全流程日志收集、FRU 包下载、关机验证、硬盘按 bay 号转移、DIMM 与 PCIe 卡迁移、FRU 脚本安装和数据库更新。适合所有负责 Isilon 集群维护的存储工程师照着走能避开大多数数据丢失风险。2. 动手前的三项准备日志快照、FRU 包和一块充满电的电池2.1 先留证据再动手isi_gather_info 集群日志收集任何维护动作开始之前先跑一遍日志收集。这不是走形式而是给集群拍一张“术前快照”。isi_gather_info会把所有节点的配置、告警日志、进程状态和统计信息打包成一份压缩包后续节点替换完再跑一遍两张快照一对比就能判断这次操作有没有引入新的问题。很多时候排障排到最后靠的就是这份事前日志。# SSH 登录集群中任意一个节点管理网口地址 ssh admin10.53.217.201 # 收集全集群日志命令执行后会在节点上生成带时间戳的 gather 包 isi_gather_info逻辑说明isi_gather_info在集群任意节点上执行都有效它会自动遍历整个集群采集数据不用逐台登录。生成的日志包通常体积不小建议放在有足够空间的分区并记录生成时间方便和替换后的快照配对。参数说明这个命令一般不需要附加参数默认收集全集群信息部分 OneFS 版本支持限定节点范围具体参数以当前版本 CLI 指南为准。如果你所在集群启用了 SmartLock compliance 模式执行时可能也需要加 sudo 前缀后面 2.3 会专门展开。2.2 FRU 包下载与命名IsiFru_Package_时间戳.tgz 的来龙去脉FRU 全称是 Field Replacement Unit现场可更换单元。FRU 包做的事情很具体更新节点上的 CTOconfigure-to-order按单配置和 as-built实际安装信息并把这份更新后的信息回传给厂商技术支持。如果你跳过这一步后续保修核对、备件匹配都可能对不上号尤其是 CTO 节点硬件配置本来就和标准机型有差异信息一丢后面查起来非常被动。# 从 EMC 官方 FTP 站点拉取最新 FRU 包包名中的时间戳是生成时间 wget ftp://ftp.emc.com/outgoing/Fru_Package/IsiFru_Package_201507072125.tgz # 将包放到集群节点上通常放 /tmp 或 /var/tmp 即可 scp IsiFru_Package_201507072125.tgz admin10.53.217.201:/tmp/逻辑说明包名格式是IsiFru_Package_date-time-stamp.tgz例如IsiFru_Package_201507072125.tgz表示 2015 年 7 月 7 日 21:25 生成的包。下载时取站点上最新的一个别拿旧的。文件放到集群的路径要记清楚后续安装 FRU 包时还要用到。参数说明如果 FTP 站点在你们网络环境下已经不可达常见做法是联系 Isilon 技术支持拿离线包或者让现场同事通过局域网接入点把包放进集群这些都是等价手段。放包这一步最好在拆机之前完成别等机器拆完再到处找包。2.3 先分清集群模式普通模式与 SmartLock compliance 的命令差异X400 所在的集群可能跑在两种模式下普通模式 root 可以直接执行管理命令而 SmartLock compliance 模式出于数据合规锁定要求禁用了 root 访问。很多运维同事第一次在 compliance 集群上换节点敲命令直接被拒还以为是自己账号出了问题。# 普通集群直接执行硬件状态命令 isi drivefirmware status # SmartLock compliance 模式root 被禁用必须加 sudo 前缀 sudo isi drivefirmware status逻辑说明command 本身没变变的只是执行身份。sudo前缀让你以 sudoers 列表中的授权身份运行这条命令。如果账号不在 sudoers 列表里加不加 sudo 都会被拒所以动手前先确认自己的账号有提权资格。需要特别注意的是不是所有命令都只加一个 sudo 就能跑。凡是涉及配置变更的步骤比如刷固件、修改集群参数手册正文里会额外标注“beyond the sudo prefix”的处理方式意味着除了 sudo 还需要做额外操作。不要自作聪明绕过限制合规模式下的命令校验比你想象的严格。提示动手前先查一遍 sudoers 列表确认自己在里面。现场才发现命令全被拒整个替换窗口就浪费了。2.4 新节点开箱充电 30 分钟IB/NVRAM 电池的供电逻辑新节点到货后第一件事不是拆包装上导轨而是接电充电。原因在于 IB/NVRAM 卡节点一旦从电源断开这块卡就完全靠 NVRAM 电池供电电池续航大约是 30 分钟。如果新节点电池没充满就开拆中途电池耗尽NVRAM 里的数据就有丢失风险。手册对这个步骤的要求是接电、开机、至少充 30 分钟然后检查背板电池指示灯。操作步骤两人配合拆箱检查节点外观有无运输损伤发现问题拍照并联系技术支持损坏节点不能上架。保留包装箱和填充物故障节点回寄厂商时还要用。新节点接上电源开机静置充电至少 30 分钟。观察背板电池 LED两颗都亮绿色才能继续后续流程。电池 LED 状态含义处理方式绿色电池正常可维持断电供电继续替换流程红色单颗电池故障拆下另放不随节点转移红色两颗电池故障停止操作联系技术支持充电这 30 分钟不要干等顺手把旧节点的线缆标签、isi status基线数据准备好。旧节点关机前也要看背板电池如果旧节点电池亮红同样按上表处理别等到断电迁移时才发现备用电源是坏的。3. 硬件迁移的四个关键动作关机验证、按 bay 回填与槽位记录3.1 关机验证链路ssh、shutdown -p now 与 isi status 的 D 状态确认替换流程里最容易被跳过的就是关机后的状态确认。很多人 shutdown 命令敲完就动手拆盘结果节点其实还没完全断电拔盘时总线仍在读写轻则报错重则留下文件系统隐患。正确做法是从非故障节点 SSH 到目标节点关机回到管理节点用isi status确认 D 状态最后看节点 LED 全部熄灭。# 在非故障节点上 SSH 登录目标节点 ssh cluster-3 # 执行立即关机并断电-p 表示 power offnow 表示不等待 shutdown -p now # 回到管理节点确认目标节点状态为 Down isi statusisi status输出中 DASR 列是关键正常节点显示 OK故障节点显示 D表示 Down。手册给出的实例如下ID |IP Address |DASR| In Out Total| Used / Size |Used / Size ------------------------------------------------------------------------ 1|10.53.217.201 | OK | 48M| 0| 48M| 19G/ 6.2T( 1%)|(No SSDs) 2|10.53.217.202 | OK | 46M| 0| 46M| 23G/ 6.2T( 1%)|(No SSDs) 3|10.53.217.203 |D---| n/a| n/a| n/a| n/a/ n/a( n/a)|n/a/n/a( n/a)参数说明shutdown -p now里的-p指定关机同时断电now表示立即执行不给系统留等待窗口。判断关机完成有两个条件缺一不可isi status中目标节点 DASR 列为 D同时节点前面板 LED 全部熄灭。在此之前的任何硬件操作都要停手。如果节点对 shutdown 命令无响应可以按电源键三次再等五分钟依然无法关机就联系技术支持。健康的节点绝对不要强制断电这一点第 4 章会专门讲。3.2 硬盘按 bay 号转移前 24 后 12 盘位与标签习惯X400 的盘位分前后两区前面板 24 个盘位后面板 12 个盘位合计 36 个。手册里用两张图标注了编号前面板从 1 到 24后面板从 25 到 36。转移硬盘时最核心的纪律是每块盘必须回到原 bay 号不能乱序。位置盘位编号数量手册图号前面板1-2424GHE-00006后面板25-3612GHE-00007为什么这么严格OneFS 在节点内部是按 bay 槽位识别硬盘的盘位装错轻则触发不必要的数据重分布重则让集群把原有盘误判成新盘。拆盘时我的习惯是贴标签每拔一块盘就贴一个 bay 号码放在旁边你也可以按顺序一排排放好关键是装的时候严格对照。操作步骤拆前面板前面板两侧各有一个释放按钮按住按钮同时向外拉面板。取前面盘扳开硬盘锁定手柄硬盘即从 bay 中释放取出后立即标记 bay 号。重复步骤 2直到前面 24 个盘全部取出。拆后面板 EMI 屏蔽罩屏蔽罩两端各有一个垂直把手向中间按压的同时向外拉。依同法取出后部 12 块盘同样标记盘位号。提示取盘前先整面拍一张照片装盘时照着照片回填比翻标签更快也更不容易出错。3.3 内部组件转移顺序跨梁、导风罩、DIMM 与 NIC硬盘拆完后把故障节点从机架滑出抬到替换节点旁。滑轨分内外两层节点带着内滑轨一起滑出内滑轨不要拆。接下来按固定顺序拆内部组件顺序不能乱因为跨梁和导风罩挡着内存和 PCIe 区域的上方空间不拆它们DIMM 很难垂直取出硬拉会伤主板插槽。顶部面板松掉防松螺丝将面板朝节点后方滑动再向上提起。跨梁跨梁连接在机箱两侧按住侧边连接点脱开一端再抬起另一端整个取下。导风罩垂直向上拔出注意不要倾斜避免卡到周边元件。DIMM先记录每根内存的槽位号压下 DIMM 两端锁臂取出后装入替换节点的相同槽位。装回时对准 DIMM 缺口与槽位突舌两端均匀下压锁臂咔嗒扣紧。NIC 与 PCIe 卡记录 PCIe 槽位号拆下后装入替换节点的同一槽位。转移的顺序逻辑可以理解为“从外到内、从大到小”先清出操作空间再动精密部件。DIMM 金手指不要碰PCIe 金手指不要碰拿板卡时捏边缘。这些细节写进手册里看着啰嗦实际现场丢一次盘就后悔了。3.4 转移中的静电防护与双人配合ESD 腕带这件事值得单独说。腕带夹子要夹在节点金属机箱上机柜导轨大多是烤漆或镀层表面夹上去接触不良等于没戴。所有组件转移过程中人体静电随时可能击穿芯片这种损坏是延迟性的可能当时没反应过几周开始随机报错排查起来非常折磨人。搬运节点必须双人操作这不是人多壮胆是防止设备滑脱砸伤。滑轨操作有一个 DANGER 级别的细节节点从机架滑出时不要一下拉到极限先确认节点已经锁定在滑轨上再继续往外拉脱开外滑轨时按压内滑轨上的释放闩内滑轨留在节点上不拆。我见过有人图快直接抬节点结果把后面板 EMI 屏蔽罩的卡扣掰断回装时怎么都对不齐。4. 节点替换避坑记录电池告警、强制关机与 SmartLock 权限再周全的准备现场也总有意外。下面这几条是我在 X400 替换里遇到的真实坑按现象、原因、解决三段写每一条都对应一份血的教训。4.1 电池充电后仍亮红灯这块节点不能继续用现象新节点接电充电 30 分钟后背板电池 LED 依然亮红色等待时间再久也不变色。原因NVRAM 电池老化或已经损坏充电解决不了硬件层面的故障。电池无法在断电后给 IB/NVRAM 卡提供备用电源继续用它拆机窗口内随时可能掉电丢数据。解决单颗亮红把故障电池从节点上拆下另放不带病转移两颗都亮红立即停止操作并联系技术支持。这里有个细节旧节点关机前也要检查电池状态别等拆下来才发现旧节点电池也是红的。替换完成后故障电池不要装箱回寄按现场流程单独处理。4.2 节点无响应时的强制关机陷阱现象执行shutdown -p now后节点没有任何反应现场同事图省事直接按电源键强制断电后续存储池里开始出现异常告警。原因强制断电绕过了系统写缓存。硬件看起来没反应不代表内核已经停止工作断电瞬间可能有正在落盘的元数据丢失。手册对此有明确警告“Forcing the power down of a healthy node can result in data loss.”解决正确顺序是——shutdown 无响应时按电源键三次等五分钟五分钟仍无响应停止所有硬件操作联系技术支持。强按电源键只适用于确认无响应的故障节点健康节点绝对不要尝试。判断“无响应”时先确认 SSH 确实连不上、isi status确实无应答别把网络抖动当成节点死机我见过把网络闪断误判成 Down 然后强行拉闸的案例事后排障花了一整天。4.3 SmartLock compliance 模式下命令“权限不够”现象在 compliance 集群上执行isi drivefirmware status直接被拒加 sudo 之后部分命令又提示 not authorized。原因compliance 模式禁用了 root 访问sudoers 列表决定你能提权到什么范围。查询类的硬件状态命令加 sudo 就能跑但涉及配置变更的命令在这个模式下有额外限制不是 sudo 能覆盖的。解决先确认自己的账号在 sudoers 列表里查询类命令加 sudo 前缀执行变更类命令按手册里的额外标注操作不要自行绕过限制。遇到 not authorized 时最稳妥的做法是查 OneFS CLI 管理指南里该命令在 compliance 模式下的支持情况。另一个常见坑是脚本里的命令全是裸命令没有 sudo换到 compliance 集群后全部失效建议提前找一台非业务节点试跑全部脚本。4.4 30 分钟断电窗口与拆装节奏现象旧节点拔电后慢慢拆中途接了个电话回来把部件搬到新机再上电NVRAM 电池已经耗尽IB/NVRAM 卡失去供电。原因节点断开电源后IB/NVRAM 卡完全依赖电池续航约 30 分钟。拆装过程中任何停顿都在消耗这个窗口而且这个时间是从拔掉旧节点电源那一刻开始算的不是从开拆开始算。解决拆机前确认新节点已经充满电并保持待命拆卸和回装的顺序按“先拆先装”设计一气呵成下电、线缆标签、取盘、取内部组件、装进新机、接电。我自己的习惯是拆机前把手机倒计时设成 25 分钟到时无论拆到哪一步都先停下把已拆的部件放进新节点并接电回血再继续操作。这条习惯救过我两次值得抄。5. 替换收尾的验证技巧FRU 脚本、安装数据库与日志复盘5.1 安装 FRU 包并运行脚本CTO 信息回写硬件全部装回并确认电池 LED 绿色之后把预先放好的 FRU 包用起来。这一步更新的是节点上的 CTO 和 as-built 信息并把新配置回传给技术支持后续保修、备件匹配全靠这条记录。跳过这一步节点虽然能跑但厂商侧的设备档案会一直停留在旧配置上。# 进入 FRU 包所在目录并解包日期戳换成实际下载的包名 tar -xzf /tmp/IsiFru_Package_201507072125.tgz -C /var/tmp/ # 运行安装脚本回写节点硬件配置信息 cd /var/tmp/IsiFru_Package_201507072125/ ./install_fru_package逻辑说明FRU 安装脚本会读取当前节点的实际硬件清单更新 CTO/as-built 记录并尝试回传给技术支持。运行前确认包名日期戳是最新的版本过老时脚本可能拒绝执行或写入和当前硬件不匹配的信息。5.2 更新安装数据库让集群记住新配置FRU 脚本负责把硬件信息同步给厂商侧集群内部还需要做一步安装数据库更新把新节点的配置写进 OneFS 的安装记录。这一步手册没有给出统一命令因为具体命令随 OneFS 版本有差异现场以当前版本的 CLI 管理指南为准。我的习惯是在目标节点上通过 sudo 执行安装数据库维护命令完成后用硬件清单命令核对一遍新节点型号、序列号、内存容量都被正确识别。这一步做完集群才算是真正“记住”了新节点。5.3 二次日志快照与最终检查清单新节点上电并加入集群后OneFS 会自动开始数据再平衡存储服务需要一段时间才能完全恢复正常不用急着做压力测试。此时再跑一次isi_gather_info和替换前那份快照对比重点看有没有新增的 node down 告警和硬件错误。这份二次快照既是验收依据也是万一后续出问题时的排查起点。检查项操作 / 标准电池 LED新节点背板两颗 LED 均为绿色硬盘 bay36 个盘位按原 bay 号回填照片对照无误DIMM与旧节点同一槽位锁臂扣紧NIC / PCIe 卡同一 PCIe 槽位系统识别正常线缆IB / 以太网线按标签插回光模块随线缆归位FRU 包安装脚本运行完成无报错安装数据库已更新新节点序列号可见日志快照二次isi_gather_info与事前快照对比无新增告警从那以后我每次做完节点替换都强制自己走一遍“新机先充 30 分钟、事前日志、关机确认 D 状态、盘位与槽位对照回填、FRU 脚本、二次日志对比”的完整流程哪怕客户催得再急也不跳步。跳步省下的那半小时最后都会用几个小时的排障还回去。希望这份手册的拆解能帮到你尤其是第一次上手的存储工程师把第 2 章的准备工作做扎实后面整个流程都会顺很多。本文还有配套的精品资源点击获取
