导读今天分享一个故障分析的案例。一次寻常的GP集群服务器测试，却引发了100多个僵尸历程！别慌，掌数工程师带你追根溯源，深度解读整个故障分析全历程。

01悲剧泛起，发生了什么？2020年7月中旬某日晚间：某大型银行焦点审计系统GP数据库集群（以下称：某集群）的所有服务器（含新扩容的服务器）均告警提示发现100多个僵尸历程！而此时，正处于某集群停机做数据字典检查的期间。僵尸历程的泛起，是在数据库停止后，举行IO和网络性能测试操作之时。发现僵尸历程告警之后，登录所有服务器检查，所有僵尸历程消失。

02剧情重现！问题是如何发生的？由于发现僵尸历程告警时，正在对某集群的所有服务器（含需要扩容的12台新服务器）举行IO和网络的性能测试。因此，原因分析历程就从IO和网络性能测试开始分析。

IO和网络性能测试是使用gpcheckperf工具。在2020年7月下旬晚上某集群正式扩容前抽出时间举行gpcheckperf测试验证，而且实时监控僵尸历程的情况。开始测试前，首先设置设备维护期。

使用gpcheckperf举行IO读写性能测试，并没有监控到僵尸历程，测试下令：gpcheckperf -f all_segs -r ds -D -d /data1 -d /data2使用gpcheckperf举行矩阵式网络性能测试，监控到僵尸历程，而且僵尸历程数量与7月20日当晚告警内容相符。测试下令：gpcheckperf -f all_hosts -r M--duartion=3m -d /tmp矩阵式网络性能测试约连续3分钟，当各台服务器的启动top监控zombie数量时发现：从测试中间开始，各台服务器逐渐开始泛起僵尸历程，segment服务器僵尸历程最高时到达144，master服务器僵尸历程最高时凌驾1000。gpcheckperf测试完成后所有僵尸历程消失。ps 下令监控历程的情况，segment服务器上的僵尸历程名为gpnetbenchServe：3177632026 [gpnetbenchServe] 19:08:23 00:00:00；master服务器上除了gpnetbenchServe以外，另有大量的ssh僵尸历程：6733 6526 [ssh] 19:07:05 00:00:00综上，可以确定僵尸历程是由于gpcheckperf工具做矩阵式网络测试时发生，网络测试完成后消失。

03追根溯源，基础原因究竟是什么？1. 矩阵式网络测试的原理所测试的每一台服务器都作为TCPServer，每一台服务器同时作为Client，向所有其他服务器发包。最终形成一个收发测试网络，从而到达整个网络高压测试的目的。

随着所测试的服务器越多，其网络测试压力越大，所发生的网络毗连越多。本次测试的服务器规模很大，同时测试12台，是较多僵尸历程的原因之一。如果小规模的测试，僵尸历程的数量纷歧定能到达告警的规模。

2. gpcheckperf工具的原理测试提倡方也就是master服务器（执行下令的服务器），其首先需要通过ssh向各个服务器提倡启动网络测试的Server和Client。由于本次测试涉及12台服务器的矩阵式测试，master会提倡12*12=144个ssh下令。

启动矩阵式的网络测试之后，每台服务器上都应该有12个client历程，以及1个Server历程。矩阵式网络发包会连续3分钟。

而各对C/S的发包历程启动和竣事时间是差别的。因此有些历程会较早竣事，有些历程会较晚竣事。而由于gpcheckperf对于较早竣事的子历程并没有举行实时接纳，就会泛起子历程自己竣事和主历程退出之前处于defunct状态。

master服务器上之所以僵尸历程会更多，是因为master是下令提倡者，需要通过ssh历程去启动各个服务器的子历程。其某个子历程的网络发包测试竣事后，ssh的操作历程自己也会短时间处于defunct状态。04值得借鉴！总结2条靠谱的实施履历gpcheckperf做服务器的硬件性能测试，是通例的测试工具。在新系统部署，新设备安装部署期间都市经常使用该工具举行测试。

1. 对于已投产的设备，如果对其硬件状况发生怀疑的情况下，也需要用该工具举行测试验证。2. 对于已投产纳管的服务器，以后在需要做gpcheckperf测试之前，建议都先把系统置为维护期。必须在维护期中方可举行测试。

本文来源：开云app官方网站下载-www.91kunpeng.com