某用户Oracle Database 10g 10.2.0.4数据库，运行在HP 平台上，数据库出现大量系统累积进程，最后导致数据库挂起，影响了业务使用，造成了严重故障。

在数据库的进程记录信息中，我们发现大量的crs_stat.bin -t进程，这些进程部分是Grid Control调度的监控，另外一部分来自用户自定制的监控脚本，这些脚本中最早未能完成的脚本时间为03:32:48。也就是说，从这一时间起，数据库出现异常导致大量crs_stat进程累积，最后耗尽资源，导致系统挂起。

oracle  7085  7084  0 03:52:49 ?  0:00 /u01/app/oracle/product/10.2.0/crs/bin/crs_stat.bin -t

oracle  9016  9015  0 03:57:48 ?  0:00 /u01/app/oracle/product/10.2.0/crs/bin/crs_stat.bin -t

oracle  1194  1193  0 03:37:49 ?  0:00 /u01/app/oracle/product/10.2.0/crs/bin/crs_stat.bin -t

oracle  7237  7231  0 16:31:00 ?  0:00 /u01/app/oracle/product/10.2.0/crs/bin/crs_stat.bin -t

oracle  5119  5118  0 03:47:48 ?  0:00 /u01/app/oracle/product/10.2.0/crs/bin/crs_stat.bin -t

oracle  6325  6319  0 03:51:00 ?  0:00 /u01/app/oracle/product/10.2.0/crs/bin/crs_stat.bin -t

oracle 25629 25619  0 04:41:00 ?  0:00 /u01/app/oracle/product/10.2.0/crs/bin/crs_stat.bin -t

oracle 28872 28871  0 03:32:48 ?  0:00 /u01/app/oracle/product/10.2.0/crs/bin/crs_stat.bin -t

oracle  2328  2322  0 03:41:00 ?  0:00 /u01/app/oracle/product/10.2.0/crs/bin/crs_stat.bin -t

oracle 11040 11039  0 04:02:49 ?  0:00 /u01/app/oracle/product/10.2.0/crs/bin/crs_stat.bin -t

oracle 10294 10288  0 04:01:00 ?  0:00 /u01/app/oracle/product/10.2.0/crs/bin/crs_stat.bin -t

oracle 29596 29590  0 04:51:00 ?  0:00 /u01/app/oracle/product/10.2.0/crs/bin/crs_stat.bin -t

那么是否这些进程就是罪魁祸首呢？

除了这些进程，系统中还累积了大量的racgmain check进程，这些进程自Mar 14日已经开始累积，最终数量达到了400个左右：

  oracle 21315     1  0  Mar 14  ?         0:00 /u01/app/oracle/product/10.2.0/db_1/bin/racgmain check

  oracle 16268     1  0  Mar 14  ?         0:00 /u01/app/oracle/product/10.2.0/db_1/bin/racgmain check

  oracle 27453     1  0  Mar 14  ?         0:00 /u01/app/oracle/product/10.2.0/db_1/bin/racgmain check

  oracle 12214     1  0  Mar 14  ?         0:00 /u01/app/oracle/product/10.2.0/db_1/bin/racgmain check

  oracle  6824     1  0  Mar 14  ?         0:00 /u01/app/oracle/product/10.2.0/db_1/bin/racgmain check

  oracle  8249     1  0  Mar 14  ?         0:00 /u01/app/oracle/product/10.2.0/db_1/bin/racgmain check

  oracle  1884     1  0  Mar 14  ?         0:00 /u01/app/oracle/product/10.2.0/db_1/bin/racgmain check

  oracle 12224     1  0  Mar 14  ?         0:00 /u01/app/oracle/product/10.2.0/db_1/bin/racgmain check

  oracle  8232     1  0  Mar 14  ?         0:00 /u01/app/oracle/product/10.2.0/db_1/bin/racgmain check

  oracle 11227     1  0  Mar 14  ?         0:00 /u01/app/oracle/product/10.2.0/db_1/bin/racgmain check

  oracle 26275     1  0  Mar 14  ?         0:00 /u01/app/oracle/product/10.2.0/db_1/bin/racgmain check

  oracle 16272     1  0  Mar 14  ?         0:00 /u01/app/oracle/product/10.2.0/db_1/bin/racgmain check

  oracle  6829     1  0  Mar 14  ?         0:00 /u01/app/oracle/product/10.2.0/db_1/bin/racgmain check

  oracle  1889     1  0  Mar 14  ?         0:00 /u01/app/oracle/product/10.2.0/db_1/bin/racgmain check

正常情况下，在每次检测之后racgmain进程应当退出，但是在故障出现时，这些进程没有退出，而且这种情况持续了多天。这说明racgmain的大量异常累积以及之后的crs_stat检测异常是导致最终故障的来龙去脉，而racgmain的异常是主要起因。Oracle的Bug 6196746说明了这个问题。可以通过如下步骤修复这个问题：

1.  Make a copy of racgwrap located under $ORACLE_HOME/bin and $CRS_HOME/bin on ALL Nodes

2.  Edit the file racgwrap and modify the last 3 lines from:

~~~

$ORACLE_HOME/bin/racgmain "$@"

status=$?

exit $status

 

to:

 

# Line added to fix for Bug 6196746

exec $ORACLE_HOME/bin/racgmain "$@"

~~~

3.  Kill all the orphan racgmain processes running.

$ ps -ef|grep "racgmain check"

oracle 18701 1 0 Aug 1 ? 0:00 /oracle/product/10.2.0/database/bin/racgmain check

oracle 14653 1 0 Aug 1 ? 0:00 /oracle/product/10.2.0/database/bin/racgmain check

oracle 24517 1 0 Aug 1 ? 0:00 /oracle/product/10.2.0/database/bin/racgmain check

 

$ kill -9

注意，数据库在运行过程中，会调用该系统$ORACLE_HOME/bin 和 $CRS_HOME/bin下的racgwrap脚本，进而执行racgmain检测，这两个脚本应该同时修正，而在客户系统中我们发现这两个目录下的脚本并不一致，这可能是因为之前客户修正的疏忽遗漏：

db1::/u01/app/oracle/product/10.2.0/crs/bin>diff racgwrap $ORACLE_HOME/bin/racgwrap

3c3

< # Copyright (c) 2001, 2008, Oracle and/or its affiliates. All rights reserved.

---

> # Copyright (c) 2001, 2007, Oracle. All rights reserved. 

9c9

< ORACLE_HOME=/u01/app/oracle/product/10.2.0/crs

---

> ORACLE_HOME=/u01/app/oracle/product/10.2.0/db_1

12c12

< ORACLE_BASE=/u01/app/oracle/product/10.2.0/crs

---

> ORACLE_BASE=/u01/app/oracle/product/10.2.0/db_1

62c62,64

< exec $ORACLE_HOME/bin/racgmain "$@"

---

> $ORACLE_HOME/bin/racgmain "$@"

> status=$?

> exit $status

 

在检查crsd.log日志文件中，我们可以发现大量如下错误提示：

2010-03-14 17:31:21.682: [  CRSEVT][67763] CAAMonitorHandler :: 0:Action Script /u01/app/oracle/product/10.2.0/crs/bin/racgwrap(check) timed out for ora.xgp4.db! (timeout=600)

2010-03-14 17:31:21.683: [  CRSAPP][67763] CheckResource error for ora.xgp4.db error code = -2

2010-03-14 17:37:32.382: [  CRSEVT][67784] CAAMonitorHandler :: 0:Could not join /u01/app/oracle/product/10.2.0/db_1/bin/racgwrap(check)

category: 1234, operation: scls_process_join, loc: childcrash, OS error: 0, other: Abnormal termination of the child

 

2010-03-14 17:37:32.382: [  CRSEVT][67784] CAAMonitorHandler :: 0:Action Script /u01/app/oracle/product/10.2.0/db_1/bin/racgwrap(check) timed out for ora.xgp4.cmp.cs! (timeout=600)

2010-03-14 17:37:32.382: [  CRSAPP][67784] CheckResource error for ora.xgp4.cmp.cs error code = -2

2010-03-14 17:47:32.093: [  CRSEVT][67819] CAAMonitorHandler :: 0:Could not join /u01/app/oracle/product/10.2.0/db_1/bin/racgwrap(check)

category: 1234, operation: scls_process_join, loc: childcrash, OS error: 0, other: Abnormal termination of the child

值得注意的是，在以上提示中，Oracle数据库会调用$ORACLE_HOME/bin/racgwrap 和$CRS_HOME/bin/racgwrap两个脚本来执行检查，来自$ORACLE_HOME/bin/racgwrap的脚本未修正，会导致进程的异常挂起。

 

这个Bug在CRS的PSU中被修正，根据环境检查，在Patch应用中可能出现问题，导致脚本错误，当数据库调用$ORACLE_HOME/bin/racgwrap进程时，就可能出现问题。

下图是CRS 10.2.0.4中相关的Bug修正列表：

而为何累计了大量racgmain进程，crs_stat操作无法返回结果，这和HP-UX Itanium平台的Bug有关，根据Metalink的883801.1文档记录应当应用操作系统PHKL_40208 补丁集。并且应当检查以下补丁或替代补丁已经被应用：PHKL_38715、PHCO_38837、PHKL_38623、PHKL_38733, PHKL_38715, PHKL_38762。

 

这个案例带给我们的经验是：

1． 在安装CRS时，应当应用最新的Patch Bundle

2． 应当监控CRS日志，以及时发现其中的错误或告警信息

3． 应当部署操作系统的进程监控，以便帮助我们及早发现类似进程累积的问题

4． Grid Control或Database Control存在较多Bug，部署后应该密切进行监控

 

强化的监控和管理是及时发现，快速解决问题的根本，在数据库管理中必须加强。

建议继续学习：

1. Mysql监控指南    (阅读：19798)
2. 批量添加主机到cacti+nagios的监控报警系统中    (阅读：13281)
3. 我常用的主机监控shell脚本    (阅读：11507)
4. 7 天打造前端性能监控系统    (阅读：10126)
5. 如何监控HP服务器硬件状态    (阅读：9113)
6. Cacti 添加 Nginx 监控    (阅读：8923)
7. Linux下三种常用的流量监控软件对比    (阅读：8691)
8. Cacti 添加 Memcached 监控    (阅读：8120)
9. 从谷歌宕机事件认识互联网工作原理    (阅读：7825)
10. Cacti 添加 Apache 监控    (阅读：7582)