docs(lxc110): incident DNS/OOM 2026-07-31 + zram pe pve1 + limite TTS

LXC 110 (moltbot) a picat dupa un OOM local containerului urmat de reboot:
tailscaled a ramas delogat, iar containerul mostenea resolv.conf-ul Tailscale
de la host-ul pve1 (doar MagicDNS 100.100.100.100) -> rezolutie DNS zero desi
L3 era functional -> echo-core in crash-loop pe telegram.error.TimedOut.

Fixuri aplicate:
- pct set 110 --nameserver '10.0.20.1 1.1.1.1' (elimina dependenta de Tailscale)
- zram-tools pe pve1 (8G zstd, prio 100) - `swap: 4096` din config era fictiv,
  host-ul nu avea niciun swap; root pe ZFS deci zram, nu swapfile
- MemoryHigh/MemoryMax pe pocket-tts + supertonic-tts - toate serviciile user
  rulau cu limite `infinity`, de unde OOM-uri recurente (Apr 25, May 28 x4)
  cu victime aleatorii alese dupa oom_score_adj

Documentatie:
- nou post-mortem in cluster/incidents/, adaugat in indexuri
- README lxc110: host corectat pveelite -> pve1 (+ RAM/CPU/storage reale),
  comenzile pct redirectionate spre nodul corect
- README lxc171: tabel cu starea swap pe cele 3 noduri (pveelite are zvol,
  nu zram - nu necesita acelasi fix)

Co-Authored-By: Claude Opus 5 (1M context) <noreply@anthropic.com>
This commit is contained in:
Claude Agent
2026-07-31 10:14:54 +00:00
parent 874698a242
commit 1df533edba
5 changed files with 292 additions and 17 deletions

View File

@@ -10,7 +10,9 @@ proxmox/
│ ├── README.md # Ghid SSH, HA, corosync tuning, diagnostic tools, mail relay, OOM alert
│ ├── cluster-ha-monitor.sh # Script monitorizare HA
│ ├── incidents/ # Post-mortems incidente cluster
│ │ ── 2026-04-20-cluster-outage.md # Cascadă OOM pveelite + USB LAN watchdog
│ │ ── 2026-04-20-cluster-outage.md # Cascadă OOM pveelite + USB LAN watchdog
│ │ ├── 2026-04-30-pvemini-backup-ssd-hang.md # Kingston SSD hang → emergency mode
│ │ └── 2026-07-31-lxc110-dns-tailscale-oom.md # DNS mort (Tailscale logout) + zram pe pve1
│ └── ups/ # Sistem UPS pentru cluster
│ ├── README.md
│ ├── docs/

View File

@@ -738,6 +738,8 @@ swapon -a
### Incidents
- **2026-04-20 Cluster Outage:** `incidents/2026-04-20-cluster-outage.md` — post-mortem complet + plan prevenție
- **2026-04-30 pvemini backup SSD hang:** `incidents/2026-04-30-pvemini-backup-ssd-hang.md` — Kingston thermal hang → emergency mode
- **2026-07-31 LXC 110 DNS + OOM:** `incidents/2026-07-31-lxc110-dns-tailscale-oom.md` — logout Tailscale → DNS mort; zram instalat pe pve1
### LXC Containers
- **LXC 108 - Oracle Database:** `../lxc108-oracle/README.md`

View File

@@ -0,0 +1,191 @@
# Incident 2026-07-31 — LXC 110 (moltbot): DNS mort după logout Tailscale + OOM
**Severity:** Medium (serviciu `echo-core` indisponibil ~8 min; fără pierdere de date)
**Detected:** 2026-07-31 ~09:28 EEST (user — „nu mai răspunde la SSH, nu mai merge echo")
**Resolved:** 2026-07-31 09:34 EEST (fix DNS) + 09:5x EEST (zram pe pve1)
**Author:** Claude Code (mmarius28@gmail.com)
---
## TL;DR — lanțul cauzal
1. **06:26 UTC** — LXC 110 se oprește după **65 zile uptime**. În log-urile de shutdown:
`user-1000.slice: A process of this unit has been killed by the OOM killer`.
OOM **local containerului** (plafon 8GB), NU la nivel de host — pve1 nu a avut niciun
OOM în 30 de zile și avea 18GB available.
2. **06:26:59** — la revenire, `tailscaled` generează nodekey nou și rămâne **delogat**
(`machineAuthorized=false`, `authURL=true`).
3. **DNS moare complet.** LXC 110 nu avea `nameserver` în `pct config`, deci moștenea
`/etc/resolv.conf` de la host-ul **pve1** — iar acolo fișierul e scris de Tailscale și
conținea **doar MagicDNS** (`100.100.100.100` + `fd7a:115c:a1e0::53`). Cu Tailscale
delogat, resolverul devine inaccesibil.
4. **`echo-core.service` intră în crash-loop** cu `telegram.error.TimedOut` (restart
counter ajunsese la **11**).
**Capcana de diagnostic:** rețeaua L3 era perfect funcțională — `ping 8.8.8.8` OK,
gateway OK, rută OK. Doar **rezoluția numelor** pica. Ușor de interpretat greșit ca
„bot stricat" sau „internet căzut".
SSH-ul „care nu răspundea" era doar containerul în curs de repornire — la verificare
funcționa deja normal.
---
## Diagnostic — comenzi cheie
```bash
# NU te lua după ping — verifică întâi rezoluția
getent hosts api.telegram.org # gol => DNS mort
cat /etc/resolv.conf # doar 100.100.100.100 => depinde de Tailscale
ping -c2 8.8.8.8 # OK => L3 e sănătos, problema e DNS
tailscale status # "Logged out."
# serviciile echo rulează ca user systemd (user moltbot)
su - moltbot -c 'XDG_RUNTIME_DIR=/run/user/1000 systemctl --user status echo-core'
```
## Fix 1 — DNS explicit (aplicat)
```bash
# pe pve1
pct set 110 --nameserver '10.0.20.1 1.1.1.1' # persistent, aplicat la următorul start
# live, fără restart de container (backup: /etc/resolv.conf.bak-2026-07-31)
printf '# --- BEGIN PVE ---\nnameserver 10.0.20.1\nnameserver 1.1.1.1\n# --- END PVE ---\n' \
> /etc/resolv.conf
su - moltbot -c 'XDG_RUNTIME_DIR=/run/user/1000 systemctl --user restart echo-core'
```
Rezultat: Telegram `getUpdates` → 200 OK, Discord online, 0 restarturi ulterioare.
> **Expunere similară:** orice alt LXC de pe pve1 **fără `nameserver` explicit** moștenește
> același resolv.conf Tailscale și va pica identic la un logout Tailscale.
## Fix 2 — zram swap pe pve1 (aplicat)
`pct config 110` avea `swap: 4096`, dar în container `free -h` arăta **`Swap: 0B`**.
Cauza: limita cgroup exista corect pe host…
```
/sys/fs/cgroup/lxc/110/memory.max = 8589934592 (8 GB)
/sys/fs/cgroup/lxc/110/memory.swap.max = 4294967296 (4 GB) <- plafon OK
/sys/fs/cgroup/lxc/110/memory.swap.current = 0 <- nimic nu-l umple
```
…dar **pve1 nu avea niciun swap** (`swapon --show` gol, nimic în `/etc/fstab`). Limita
cgroup e doar un *plafon* peste swap-ul host-ului; fără backing store fizic, kernelul nu
are unde scrie paginile. Root-ul pve1 e pe ZFS (`rpool/ROOT/pve-1`), deci swapfile e
exclus (risc de deadlock) — aceeași situație rezolvată pe pvemini în 2026-06-24.
```bash
# pe pve1 (host) — identic cu pvemini
apt install -y zram-tools
cat > /etc/default/zramswap <<'EOF'
# zram swap config - host buffer pentru spike-uri OOM (ex: LXC 110 moltbot)
ALGO=zstd
SIZE=8192
PRIORITY=100
EOF
systemctl restart zramswap.service # enabled persistent la boot
swapon --show # /dev/zram0 8G prio 100
```
Verificare în container — cei 4GB au acum backing real:
```
free -h → Swap: 4.0Gi
```
Vârfurile tranzitorii fac swap-out în loc de OOM-kill instant.
---
## Rămas de făcut (necesită acțiune user)
| Item | Detalii |
|------|---------|
| **Re-auth Tailscale în LXC 110** | Necesită login interactiv din browser (`tailscale up` regenerează URL-ul). Până atunci IP-ul 100.120.119.70 nu răspunde; accesul pe 10.0.20.173 e normal. |
| **Bridge WhatsApp deconectat** | `{"connected":false,"qr":null}` pe `127.0.0.1:8098`. Discord + Telegram merg. Probabil necesită re-pairing prin QR. |
| **Monitorizare** | De urmărit dacă `MemoryHigh` pe TTS chiar oprește recurența — următorul episod ar trebui să se manifeste ca throttling, nu ca kill. |
## OOM-ul NU e izolat — istoric recurent
Verificarea jurnalului complet (nu doar boot-ul curent) arată că OOM-ul din 31 iulie e
**al cincilea episod**, nu un accident:
```
Apr 25 08:34:53 echo-core.service: Failed with result 'oom-kill'
May 28 14:09:36 echo-core.service: Failed with result 'oom-kill' <- 1.4G memory peak
May 28 14:15:44 echo-core.service: Failed with result 'oom-kill'
May 28 14:18:13 echo-core.service: Failed with result 'oom-kill'
May 28 14:18:13 supertonic-tts.service: Failed with result 'oom-kill'
Jul 31 06:26:22 user-1000.slice: killed by the OOM killer -> reboot
```
Pe 28 mai: **4 kill-uri în 9 minute**, `echo-core` luând cu el și `supertonic-tts`.
Log-ul de atunci confirmă lipsa swap-ului: `1.4G memory peak, 0B memory swap peak`
fără backing store, kernelul trece direct la kill.
### Cauza structurală: servicii fără limite
Cele 7 servicii user systemd (`echo-core`, `echo-taskboard`, `echo-whatsapp-bridge`,
`pocket-tts`, `supertonic-tts`, `romfast-website`, `dbus`) rulează **toate fără plafon**:
```
MemoryMax=infinity
MemoryHigh=infinity
```
Deci orice serviciu poate consuma singur toți cei 8 GB ai containerului, iar OOM killer-ul
alege victime după `oom_score_adj` — de unde procesele mici ucise aiurea (`dbus-daemon`,
`sd-pam`) care fac diagnosticul derutant. Stiva TTS e cea mai grea:
`pocket-tts` ~945 MB + `supertonic` ~500 MB, în repaus.
### Fix 3 — MemoryHigh pe stiva TTS (aplicat)
`MemoryHigh` face **throttling + reclaim** în loc de kill, deci serviciul degradează elegant
sub presiune. `MemoryMax` e plasa de siguranță: izolează un eventual kill **în interiorul
serviciului**, în loc să lase OOM killer-ul să aleagă victime aleatorii în tot containerul.
Drop-in-uri în `~/.config/systemd/user/<serviciu>.service.d/limits.conf` (user `moltbot`):
| Serviciu | RSS repaus | MemoryHigh | MemoryMax |
|----------|-----------|------------|-----------|
| `pocket-tts` | ~945 MB | 1536M | 2G |
| `supertonic-tts` | ~500 MB | 1024M | 1536M |
```bash
su - moltbot
mkdir -p ~/.config/systemd/user/pocket-tts.service.d
cat > ~/.config/systemd/user/pocket-tts.service.d/limits.conf <<'EOF'
[Service]
MemoryHigh=1536M
MemoryMax=2G
EOF
export XDG_RUNTIME_DIR=/run/user/1000
systemctl --user daemon-reload
systemctl --user restart pocket-tts supertonic-tts
systemctl --user show pocket-tts -p MemoryHigh,MemoryMax,MemoryCurrent # verificare
```
Verificat post-aplicare: ambele `active/running`, porturile 7788 + 7789 deschise,
`echo-core` neîntrerupt. Consum după restart: pocket-tts 773M, supertonic 463M.
> Restul serviciilor (`echo-core`, `echo-taskboard`, `echo-whatsapp-bridge`,
> `romfast-website`) au rămas **fără limite** — TTS-ul e consumatorul dominant. De
> reevaluat dacă apar OOM-uri cu altă victimă.
## Prevenție
- **zram pe pve1** amortizează spike-urile (aplicat) — dar singur e paliativ: fără limite pe
servicii, swap-ul doar întârzie kill-ul. Fixul de fond e `MemoryHigh` pe TTS (aplicat).
- **DNS explicit pe LXC 110** elimină dependența de Tailscale (aplicat).
- De evaluat același `--nameserver` pentru celelalte LXC-uri de pe pve1.
- Alertare pe `NRestarts` la serviciile user systemd ar fi prins crash-loop-ul mai devreme
decât raportarea manuală.
---
**Legături:** `../../lxc110-moltbot/README.md` · `../../lxc171-claude-agent/README.md`
(secțiunea „Memorie & OOM" — incidentul zram pvemini 2026-06-24)

View File

@@ -3,7 +3,7 @@
**Director:** `proxmox/lxc110-moltbot/`
**VMID:** 110
**IP:** 10.0.20.173 (intern) | 100.120.119.70 (Tailscale)
**Host Proxmox:** pveelite (10.0.20.202)
**Host Proxmox:** pve1 (10.0.20.200)
**Rol:** Bot AI pentru Telegram și WhatsApp cu Claude Opus 4.5
---
@@ -16,12 +16,13 @@
| Hostname | moltbot |
| IP intern | 10.0.20.173 |
| IP Tailscale | 100.120.119.70 |
| Host Proxmox | pveelite (10.0.20.202) |
| Host Proxmox | pve1 (10.0.20.200) |
| User serviciu | `moltbot` |
| Parola user | `Moltbot2026!` |
| Storage | local-zfs (8GB) |
| RAM | 4GB |
| CPU | 2 cores |
| Storage | local-zfs (50GB) |
| RAM | 8GB (+ 4GB swap) |
| CPU | 6 cores |
| DNS | `10.0.20.1 1.1.1.1` (explicit, vezi mai jos) |
| OS | Ubuntu 24.04 LTS |
## Componente Instalate
@@ -196,22 +197,85 @@ journalctl --user -u clawdbot-gateway -f
## Administrare via Proxmox
### De pe pvemini (sau alt nod cluster)
### De pe pve1 (sau alt nod cluster)
```bash
# Status container
ssh root@10.0.20.202 "pct status 110"
ssh root@10.0.20.200 "pct status 110"
# Exec comandă
ssh root@10.0.20.202 "pct exec 110 -- <comandă>"
ssh root@10.0.20.200 "pct exec 110 -- <comandă>"
# Stop/Start
ssh root@10.0.20.202 "pct stop 110"
ssh root@10.0.20.202 "pct start 110"
ssh root@10.0.20.200 "pct stop 110"
ssh root@10.0.20.200 "pct start 110"
# Console
ssh root@10.0.20.202 "pct enter 110"
ssh root@10.0.20.200 "pct enter 110"
```
## DNS & Swap (incident 2026-07-31)
### DNS — nu depinde de Tailscale
Containerul **nu** avea `nameserver` în `pct config`, deci moștenea `/etc/resolv.conf` de
la host-ul pve1 — unde fișierul e scris de Tailscale și conținea doar MagicDNS
(`100.100.100.100`). Când `tailscaled` din container s-a delogat, DNS-ul a murit complet
(deși L3 era OK: `ping 8.8.8.8` funcționa) → `echo-core` în crash-loop pe
`telegram.error.TimedOut`.
Fix aplicat — nameserver explicit:
```bash
ssh root@10.0.20.200 "pct set 110 --nameserver '10.0.20.1 1.1.1.1'"
```
> **Regula de diagnostic:** la „nu mai ajunge la internet", verifică întâi
> `getent hosts api.telegram.org` și `cat /etc/resolv.conf`, **nu** ping-ul.
> Ping-ul poate merge perfect cu DNS-ul complet mort.
### Swap — necesită zram pe host
`swap: 4096` din `pct config` e doar o limită cgroup (`memory.swap.max`), nu un backing
store. Cât timp pve1 nu avea swap deloc, în container `free -h` arăta `Swap: 0B`.
Rezolvat prin zram pe pve1 (root-ul e pe ZFS → swapfile exclus):
```bash
# pe pve1 (host)
apt install -y zram-tools
cat > /etc/default/zramswap <<'EOF'
ALGO=zstd
SIZE=8192
PRIORITY=100
EOF
systemctl restart zramswap.service
swapon --show # /dev/zram0 8G prio 100
```
Verificare în container: `free -h``Swap: 4.0Gi`.
### Limite de memorie pe TTS
Serviciile user systemd rulau toate cu `MemoryMax=infinity` / `MemoryHigh=infinity`, deci
oricare putea consuma singur cei 8 GB → OOM-uri recurente (Apr 25, May 28 ×4, Jul 31), cu
victime aparent aleatorii (`dbus-daemon`, `sd-pam`) alese după `oom_score_adj`.
Aplicat pe stiva TTS — `MemoryHigh` face throttle + reclaim în loc de kill:
| Serviciu | RSS repaus | MemoryHigh | MemoryMax |
|----------|-----------|------------|-----------|
| `pocket-tts` | ~945 MB | 1536M | 2G |
| `supertonic-tts` | ~500 MB | 1024M | 1536M |
Drop-in-uri: `~/.config/systemd/user/<serviciu>.service.d/limits.conf`
```bash
su - moltbot
export XDG_RUNTIME_DIR=/run/user/1000
systemctl --user show pocket-tts -p MemoryHigh,MemoryMax,MemoryCurrent
```
**Post-mortem complet:** `../cluster/incidents/2026-07-31-lxc110-dns-tailscale-oom.md`
## Troubleshooting
### OpenClaw gateway se restartează continuu (OOM kill)
@@ -223,10 +287,14 @@ journalctl --user -u openclaw-gateway | grep -i oom
free -h
systemctl --user status openclaw-gateway
# Soluție: Crește RAM-ul containerului pe Proxmox
# ssh root@pveelite
# Verifică dacă OOM-ul e local containerului sau al host-ului
# ssh root@10.0.20.200 "cat /sys/fs/cgroup/lxc/110/memory.events" # oom_kill > 0 => local
# ssh root@10.0.20.200 "free -h; swapon --show" # zram0 8G activ?
# Soluție: Crește RAM-ul containerului pe Proxmox (actual: 8192)
# ssh root@10.0.20.200
# pct stop 110
# pct set 110 --memory 4096 # 4GB (minim recomandat pentru OpenClaw)
# pct set 110 --memory 12288
# pct start 110
# Curăță sesiunile vechi pentru a reduce consumul
@@ -303,7 +371,7 @@ scp -r moltbot@10.0.20.173:~/.clawdbot ./backup-moltbot-$(date +%Y%m%d)/
### Backup complet LXC (via Proxmox)
```bash
ssh root@10.0.20.202 "vzdump 110 --storage local --compress zstd"
ssh root@10.0.20.200 "vzdump 110 --storage local --compress zstd"
```
## Provider AI - Anthropic
@@ -347,5 +415,5 @@ clawdbot onboard
---
**Data setup:** 2026-01-29
**Ultima actualizare:** 2026-01-29
**Ultima actualizare:** 2026-07-31 (host pve1, DNS explicit, zram — incident DNS/OOM)
**Autor:** Claude Code

View File

@@ -214,6 +214,18 @@ zramctl; swapon --show # verificare: /dev/zram0 8G zstd
Acum cei 8GB `swap` din configul LXC 171 au backing real → vârfurile tranzitorii fac
swap-out în loc de OOM-kill instant.
> **Același fix aplicat pe pve1 în 2026-07-31** (aceeași cauză: LXC 110 moltbot cu
> `swap: 4096` fictiv → OOM-kill în cgroup + reboot). Config identic, `SIZE=8192`.
> Vezi `../cluster/incidents/2026-07-31-lxc110-dns-tailscale-oom.md`.
**Stare swap pe cluster (2026-07-31):**
| Nod | Swap | Tip |
|-----|------|-----|
| pvemini | 8G | zram0 (zstd, prio 100) |
| pve1 | 8G | zram0 (zstd, prio 100) |
| pveelite | 8G | zvol `/dev/zd64` (prio -2) — swap real, nu necesită zram |
### Fix 2 — reaping orfane (`scripts/reap-orphans.sh`, cron în 171)
Script conservator care rulează ca root **în interiorul containerului**, la fiecare 6 ore: