OpenStack 经典面试题"nova boot 失败怎么排查"，但生产环境的失败往往更狡猾，因为可能是任何子系统的错。本文是我处理过的 7 类典型根因，按发生频率排序。

0. 万能起手式

openstack server show <uuid>
openstack server event list <uuid>
openstack server event show <uuid> <req-id>

event show 里的 traceback 是定位关键，一定先看这个再去翻日志。

如果 event 信息不够，按子系统翻：

# nova-compute（最常用）
tail -200 /var/log/nova/nova-compute.log | grep -i "ERROR\|TRACE"

# nova-scheduler（调度失败 NoValidHost）
tail -200 /var/log/nova/nova-scheduler.log

# neutron-server（网络绑定失败）
tail -200 /var/log/neutron/neutron-server.log

1. NoValidHost — 调度找不到节点

最常见。可能原因：

  • 资源不够：openstack hypervisor list --long 看 CPU/RAM 剩余
  • 超分被打满：cpu_allocation_ratio / ram_allocation_ratio 已经被吃满
  • filter 把节点排除了：AvailabilityZoneFilter / AggregateInstanceExtraSpecsFilter 经常是元凶
  • PCI 设备/SR-IOV 不匹配

排查：scheduler 日志开 DEBUG，看 Filter X returned 0 hosts。

2. PortBindingFailed — 端口绑定不到节点

nova-compute.log: PortBindingFailed: Binding failed for port xxx

90% 是 OVS agent / Linuxbridge agent 在目标节点上挂了，或者 bridge_mappings 没配对：

openstack network agent list
# 重点看 alive=True / state=UP

另一个坑：vnic_type=direct（SR-IOV）但目标节点没 sriov-agent。

3. 镜像问题

  • 镜像格式不对：qcow2 但 backend 是 LVM，需要转换
  • 镜像 size 没设：从 Glance 拉下来还要校验，size 不对会 hang
  • HTTPS 自签证书：nova-compute 拉镜像时 SSL 校验失败

排查：glance image-show <uuid> 看 checksum 和 status=active。

4. Cinder 挂卷超时

带 volume boot 的 instance 经常这里出事：

Block Device Mapping is Invalid
  • iSCSI/RBD 挂载失败：去 cinder-volume.log 看
  • 卷状态 error 或 creating 卡住：openstack volume show 看 attachments
  • 多路径配置缺失：/etc/multipath.conf 没配

5. DHCP / metadata 拿不到

虚机起来了，但进系统后 IP 拿不到、SSH key 没注入：

  • DHCP agent 死了：neutron-dhcp-agent 状态
  • metadata-agent 路径不通：检查 neutron-ns-metadata-proxy 进程
  • config_drive 没启用：对老镜像或者 cloud-init 没装的，建议强制 config_drive=True

6. Libvirt / Hypervisor 层

罕见但很烦：

  • KVM 模块没加载（modprobe kvm_intel / kvm_amd）
  • CPU model 不兼容（迁移过来的虚机，目标节点 CPU flag 不够）
  • qemu-kvm 版本和 libvirt 版本不匹配

定位看 /var/log/libvirt/qemu/<instance>.log，最直接。

7. quota 满了

QuotaError: Quota exceeded for cores

简单粗暴：

openstack quota show <project>
openstack quota set --cores 200 <project>

但注意 quota 是 per-project 的，admin 看的是自己 project 的 quota，不是用户的。

我自己的 checklist

新环境出问题，按这个顺序看，95% 五分钟内定位：

  1. server event show 抓 traceback
  2. 看是不是调度问题（NoValidHost）→ scheduler 日志
  3. 看 hypervisor 资源水位 → hypervisor list --long
  4. 看 neutron agent 是不是都活着
  5. 看 nova-compute 日志最近 1 分钟的 ERROR
  6. 看 libvirt qemu 日志（最后兜底）

教训一句话：OpenStack 出问题 80% 在 neutron 和 scheduler，先排这两个能省 80% 的时间。

标签: none

添加新评论