gdb - 如何调试从 lustre 读取产生的悬挂作业？

Question

我有一份处于可中断睡眠状态（S）的工作，挂了几个小时。

• 不能使用 gdb（附加到 PID 时 gdb 会挂起）。
• 无法使用 strace，strace 将恢复挂起的工作 =(

WCHAN 字段显示 PID 正在等待 ptlrpc。网上搜索了一下，貌似这是个光彩操作。打印文件还显示该程序卡在从 lustre 读取数据。关于如何进行诊断的任何想法或建议？或者挂起发生的可能原因？

Answer 1

您可以检查/proc/$PID/stack客户端以查看整个进程堆栈，这将为您提供有关进程正在做什么的更多信息（ptlrpc_set_wait()只是通用的“等待 RPC 完成”功能）。

也就是说，更有用的是检查内核控制台错误消息（dmesg和/或/var/log/messages）以查看发生了什么。当出现问题时，Lustre 绝对不会羞于记录错误。

这很可能表明客户端正在服务器上等待完成 RPC，因此您还必须检查dmesg和/或/var/log/messages查看服务器上的问题。有几个现有的文档详细介绍了如何调试 Lustre 问题：

• https://wiki.lustre.org/Diagnostic_and_Debugging_Tools
• https://cug.org/5-publications/proceedings_attendee_lists/CUG11CD/pages/1-program/final_program/Wednesday/12A-Spitz-Paper.pdf

此时，您可能最好在 https://jira.whamcloud,com/ 上检查现有的 Lustre 错误，以搜索报告的第一条错误消息，或者可能是堆栈跟踪。很有可能（取决于遇到的错误）已经有可用的修复程序，升级到最新的维护版本（当前为 2.12.7）或应用补丁（如果最近修复了错误）将唯一你的问题。