mirror of
https://github.com/Alkatrazz24/Funk-lab.git
synced 2026-07-08 15:04:41 +02:00
docs(incidents): 2026-05-27 — défaillance sdd, corruptions multiples, retrait RAID
Documente l'incident complet : - Cause racine : sdd défaillant (44 secteurs morts, 6 ans d'utilisation) write-back cache masquant les échecs d'écriture → corruption silencieuse - Corruptions résolues : Qdrant RocksDB, PostgreSQL grafana+litellm, Prometheus TSDB, Docker registry, sacrifice-web - Correctif permanent : sdd retiré du RAID (mdadm.conf + initramfs) - Actions restantes listées : remplacement sdd, câble sda, APM sdb, UPS, e2fsck Co-Authored-By: Claude Sonnet 4.6 <noreply@anthropic.com>
This commit is contained in:
alkatrazz
parent
d39b083342
commit
940234806d
1 changed files with 151 additions and 0 deletions
|
|
@ -4,6 +4,7 @@
|
|||
|
||||
| Date | Composant | Résumé | Sévérité |
|
||||
|---|---|---|---|
|
||||
| 2026-05-27 | RAID5 / sdd | Disque sdd défaillant (44 secteurs morts) — corruptions multiples en cascade | Critique |
|
||||
| 2026-05-14 | Grafana | OOMKilled — limite 256Mi trop serrée pour Grafana 13 | Warning |
|
||||
| 2026-05-13 | AlertManager | Receiver "null" non défini — ReconciliationFailed | Warning |
|
||||
| 2026-05-13 | llama-server | `/metrics` retourne 501 Not Implemented — flag `--metrics` absent | Warning |
|
||||
|
|
@ -13,6 +14,156 @@
|
|||
|
||||
---
|
||||
|
||||
## 2026-05-27 — RAID5 : défaillance sdd — corruptions multiples en cascade
|
||||
|
||||
### Symptômes
|
||||
|
||||
Au démarrage du cluster (`funk-start --k8s`) :
|
||||
|
||||
- Qdrant en `CrashLoopBackOff` : `RocksDB open error: Corruption: no log_file_number ... MANIFEST-000033 may be corrupted`
|
||||
- Grafana en `CrashLoopBackOff` : `pq: relation mapping file "base/24737/pg_filenode.map" contains invalid data`
|
||||
- LiteLLM DB : `ERROR: invalid page in block 0 of relation base/16385/2838`
|
||||
- Prometheus en `CrashLoopBackOff` : `corrupted block 01KSGFC9WP7STGTXWDNECY2FS0: read symbols: invalid checksum`
|
||||
- Docker registry retournant 500 sur toutes les requêtes : `filesystem: stat ... data: input/output error`
|
||||
- `sacrifice-web` en `ImagePullBackOff` (registry inaccessible)
|
||||
|
||||
Pattern observé : corruptions récurrentes tous les 3-4 démarrages depuis ~7 semaines.
|
||||
|
||||
### Cause racine
|
||||
|
||||
Disque `sdd` (WDC WD10EALX-009BA0, S/N WD-WCATR9001223) en défaillance progressive :
|
||||
|
||||
```
|
||||
Current_Pending_Sector : 44 ← secteurs illisibles, non réalloués
|
||||
Offline_Uncorrectable : 44 ← secteurs confirmés irrécupérables
|
||||
Power_On_Hours : 52816 ← 6 ans d'utilisation (MTBF constructeur = 5 ans)
|
||||
```
|
||||
|
||||
Historique des self-tests SMART (tous en échec) :
|
||||
```
|
||||
#1 Short LBA 1555355176 read failure (nouveau secteur mort)
|
||||
#2 Short LBA 1413976229 read failure
|
||||
#4 Extended LBA 1413976229 read failure (premier secteur mort, découvert il y a ~49 jours)
|
||||
```
|
||||
|
||||
**Mécanisme de corruption silencieuse :**
|
||||
|
||||
Le RAID dit `[4/4] [UUUU]` et `State: clean` car sdd ne retourne pas d'erreur au moment de l'écriture — son write-back cache (activé) acquitte l'écriture avant de la commettre sur le plateau. La donnée qui tombait sur les secteurs défaillants était silencieusement perdue, la parité RAID5 devenait incohérente avec les données réelles. Le RAID n'en savait rien.
|
||||
|
||||
À chaque session d'utilisation (~10-12h), les services NFS/k8s écrivaient sur `/srv/data`. Une fraction des writes tombait sur les zones corrompues de sdd et accumulait de la corruption dans les métadonnées ext4 (directory blocks, btree). Au bout de 3-4 sessions, assez de structures critiques étaient corrompues pour faire crasher les services.
|
||||
|
||||
**Problèmes secondaires identifiés :**
|
||||
- `sda` : `UDMA_CRC_Error_Count = 6` → câble SATA défaillant ou port SATA instable
|
||||
- `sdb` : `Start_Stop_Count = 17780` pour 8847h → spin-down APM trop agressif (~49 cycles/jour)
|
||||
- Tous les disques : write-back cache activé sans onduleur → risque de corruption sur coupure de courant
|
||||
|
||||
### Résolution — corruptions de données
|
||||
|
||||
**Qdrant :** collection `funk-docs` supprimée et réingérée.
|
||||
```bash
|
||||
sudo systemctl stop qdrant
|
||||
sudo rm -rf /srv/data/qdrant/storage/collections/funk-docs
|
||||
sudo systemctl start qdrant
|
||||
rag-ingest # → 308 chunks réindexés
|
||||
```
|
||||
|
||||
**PostgreSQL — bases grafana et litellm :**
|
||||
```bash
|
||||
sudo systemctl stop litellm
|
||||
sudo -u postgres psql -c "DROP DATABASE litellm;"
|
||||
sudo -u postgres psql -c "CREATE DATABASE litellm OWNER litellm;"
|
||||
sudo -u postgres psql -c "DROP DATABASE grafana;"
|
||||
sudo -u postgres psql -c "CREATE DATABASE grafana OWNER grafana;"
|
||||
sudo systemctl start litellm
|
||||
kubectl rollout restart deployment/kube-prometheus-stack-grafana -n monitoring
|
||||
# → Grafana rejoue 709 migrations, recrée le schéma
|
||||
```
|
||||
|
||||
**Prometheus TSDB :** deux blocs corrompus supprimés du NFS.
|
||||
```bash
|
||||
PROM_NFS="/srv/data/nfs/k8s/monitoring-prometheus-...-pvc-aa1a187f-.../prometheus-db"
|
||||
sudo rm -rf "$PROM_NFS/01KSGF0DXNXJ4HC5CEZX9THT5B"
|
||||
sudo rm -rf "$PROM_NFS/01KSGFC9WP7STGTXWDNECY2FS0"
|
||||
kubectl delete pod prometheus-kube-prometheus-stack-prometheus-0 -n monitoring
|
||||
```
|
||||
|
||||
**Docker registry :** PVC corrompu recréé (NFS provisioner génère un répertoire propre).
|
||||
```bash
|
||||
kubectl scale deployment registry -n infra --replicas=0
|
||||
kubectl delete pvc registry-pvc -n infra
|
||||
kubectl delete pv pvc-c5e1e86e-da56-4b31-bf52-07d5d619c9ea
|
||||
# Recréer la PVC — le NFS provisioner provisionne un nouveau répertoire
|
||||
kubectl apply -f - <<EOF
|
||||
apiVersion: v1
|
||||
kind: PersistentVolumeClaim
|
||||
metadata:
|
||||
name: registry-pvc
|
||||
namespace: infra
|
||||
spec:
|
||||
accessModes: [ReadWriteOnce]
|
||||
storageClassName: nfs
|
||||
resources:
|
||||
requests:
|
||||
storage: 10Gi
|
||||
EOF
|
||||
kubectl scale deployment registry -n infra --replicas=1
|
||||
```
|
||||
|
||||
**sacrifice-web :** image rebuildée et pushée via tunnel SSH.
|
||||
```bash
|
||||
# Tunnel SSH pour atteindre le registry depuis le poste perso
|
||||
ssh -f -N -L 31500:192.168.10.11:31500 storage-01
|
||||
cd /path/to/Sacrifice/sacrifice-web
|
||||
podman build -t localhost:31500/sacrifice-web:latest .
|
||||
podman push localhost:31500/sacrifice-web:latest --tls-verify=false
|
||||
kubectl rollout restart deployment/sacrifice-web -n sacrifice
|
||||
```
|
||||
|
||||
### Résolution — cause racine (sdd retiré du RAID)
|
||||
|
||||
```bash
|
||||
# Marquer sdd comme défaillant et le retirer
|
||||
sudo mdadm --manage /dev/md0 --fail /dev/sdd1
|
||||
sudo mdadm --manage /dev/md0 --remove /dev/sdd1
|
||||
# → State: clean, degraded [4/3] [UUU_]
|
||||
|
||||
# Persister la configuration
|
||||
sudo mdadm --detail --scan | sudo tee /etc/mdadm.conf
|
||||
sudo dracut --force # régénérer l'initramfs
|
||||
```
|
||||
|
||||
### État post-incident
|
||||
|
||||
| Service | État |
|
||||
|---|---|
|
||||
| RAID5 md0 | `[4/3] [UUU_]` — dégradé, **zéro redondance** jusqu'au remplacement de sdd |
|
||||
| Qdrant | ✅ 308 chunks réindexés |
|
||||
| PostgreSQL grafana | ✅ Schéma recréé, dashboards reprovisionnés |
|
||||
| PostgreSQL litellm | ✅ Schéma recréé, config modèles intacte (perte de l'historique spend) |
|
||||
| Prometheus | ✅ Running — perte des ~2 derniers blocs TSDB (quelques heures de métriques) |
|
||||
| Docker registry | ✅ PVC propre, image sacrifice-web repushée |
|
||||
| sacrifice-web | ✅ Running, HTTP 200 |
|
||||
|
||||
### Actions requises (non résolues)
|
||||
|
||||
- **Remplacer sdd** (1TB+, ex. WD Red ou Seagate IronWolf) et relancer la reconstruction :
|
||||
```bash
|
||||
sudo mdadm --manage /dev/md0 --add /dev/sdNEW1
|
||||
# Reconstruction automatique ~4h, visible dans /proc/mdstat
|
||||
```
|
||||
- **Câble SATA sda** : remplacer le câble (UDMA_CRC_Error_Count=6)
|
||||
- **APM sdb** : désactiver le spin-down (`sudo hdparm -B 254 /dev/sdb`) et persister via udev
|
||||
- **Onduleur (UPS)** : indispensable — write-back cache activé sur tous les disques
|
||||
- **e2fsck** : planifier une fenêtre de maintenance pour vérifier les métadonnées ext4 restantes :
|
||||
```bash
|
||||
sudo systemctl stop nfs-server qdrant postgresql-16 litellm hermes-agent
|
||||
sudo umount /srv/data
|
||||
sudo e2fsck -f /dev/md0
|
||||
sudo mount /srv/data && sudo systemctl start nfs-server qdrant postgresql-16 litellm hermes-agent
|
||||
```
|
||||
|
||||
---
|
||||
|
||||
## 2026-05-14 — Grafana : OOMKilled (limite mémoire trop serrée)
|
||||
|
||||
### Symptôme
|
||||
|
|
|
|||
Loading…
Add table
Add a link
Reference in a new issue