ROMFASTSQL/proxmox/cluster/incidents/2026-08-27-pveelite-down.md

Incident 2026-08-27 — pveelite cade definitiv la 4 ore după repornirea planificată a clusterului

Severity: Medium (zero impact pe producție — nodul nu găzduia niciun serviciu viu — dar clusterul rămâne pe 2 voturi din 3, fără marjă de quorum, și replicarea către pveelite e oprită) Detected: 2026-08-27 17:31 EEST (alertă automată pveelite-down-alert.sh → email) Status: DESCHIS — nodul e inaccesibil, necesită intervenție fizică Author: Claude Code (mmarius28@gmail.com)

---

TL;DR — lanțul cauzal

1. 12:25–12:36 — oprire planificată a întregului cluster, comandată din stația de admin (10.0.20.144). Guest-urile oprite ordonat prin API (qmshutdown:303 la 12:25 de la root@pam), apoi nodurile. Oprirea a fost curată pe toate trei — systemd-poweroff.service: Finished, Reached target poweroff.target. Tiparul e exact al lui cluster-shutdown.ps1.
2. 13:20:26–13:20:41 — toate trei nodurile pornesc la loc și reformează clusterul complet (membership 1.1c7, Members: 1 2 3). pveelite a revenit normal și a funcționat 2h40m.
3. 16:01:48 → 16:03:17 — pveelite dispare din corosync și revine după ~89 de secunde. La 16:03:10 se reatașează ca client NFS (rpc.mountd: v4.2 client attached from 10.0.20.202:986), iar curba de memorie din RRD se resetează — probabil s-a repornit singur, deși o întrerupere de rețea de 89 s explică și ea reatașarea NFS (vezi Ipoteza alternativă mai jos). Cert e că nimeni nu i-a comandat nimic.
4. 17:15:01 — ultimul semn de viață: cronul de pe pveelite se conectează prin SSH la pvemini, ca la fiecare 15 minute.
5. 17:26:44 — pveelite pică definitiv. Nu a mai revenit.
6. 17:27:03 — corosync formează membership 1.1d8 fără nodul 3. Quorum păstrat (2/3).
7. 17:28:04–17:28:23 — HA fence executat corect: lock obținut, vm:109 recuperat de pe nodul fenced pe pvemini și lăsat în starea în care era (stopped). Fără repornire nedorită, fără buclă OOM — spre deosebire de incidentul din 2026-04-20.
8. 17:31 — alerta a plecat pe email, după cele 5 minute de prag din script. Lanțul de alertare a funcționat end-to-end.

Root cause: nedeterminabilă de la distanță — nodul nu răspunde nici la ARP. Dovezile disponibile exclud cauzele software și lasă în picioare două ipoteze hardware: defect de alimentare pe cutia pveelite (declanșat probabil de ciclul de oprire-pornire de la prânz) sau cedarea adaptorului USB de rețea. Ce se poate afirma acum:

• Nu e resurse: RRD-ul de pe pvemini arată nodul complet inactiv în ora dinaintea căderii — CPU 0,4 %, load 0,10, RAM 2,15 din 15,3 GB, rootfs 18,5 GB constant. Nu e repetarea scenariului OOM din aprilie.
• Nu e rețeaua clusterului ca întreg: în ultimele 7 zile nu există niciun flap knet în afara zilei de azi, iar pve1 ↔ pvemini sunt stabile continuu de la 13:20. Asta nu exclude însă o problemă strict pe portul / adaptorul lui pveelite.
• Nu e UPS: ups.status: OL, baterie 100 %, input 239,6 V, load 8 %. Ultimul test de autonomie de azi a fost pe UPS-ul serverului 36, nu pe cel al clusterului.
• Nu e comandă de la noi: singura rulare ups-shutdown de azi (14:12) a fost în dry-run, iar în jurnal nu există niciun poweroff/reboot trimis către 10.0.20.202.
• Tiparul e de hardware: reset spontan la 16:01, apoi moarte definitivă 85 de minute mai târziu, pe o mașină idle. Semnătură clasică de PSU / RAM / termic.

Ipoteza alternativă, care trebuie exclusă prima: adaptorul USB de rețea

pveelite are placă de rețea pe USB, iar deconectarea ei e modul de defectare deja documentat al acestui nod: incidentul 2026-04-20 a pornit de la un USB LAN disconnect, iar tokenul corosync a fost mărit la 10 s tocmai ca să tolereze „glitch-uri USB pveelite" (cluster/README.md, secțiunea Corosync Tuning).

Din exterior, cele două scenarii sunt indistinctibile. Un nod care s-a oprit și un nod care și-a pierdut adaptorul de rețea arată identic: fără ping, fără ARP, fără corosync, fără SSH. Toate observațiile din acest document sunt compatibile cu ambele.

Ce înclină totuși spre repornire la 16:01 — dar nu dovedește nimic despre 17:26:

• Curba de memorie din RRD urcă constant după boot-ul de la 13:20 (2,19 → 2,43 GB la 16:00), apoi coboară la 2,10 GB la 16:30 — sub valoarea de imediat după boot — și reîncepe să urce (2,15 GB la 17:00). Tiparul unei reporniri, nu al unei întreruperi de rețea.
• La 16:03:10, rpc.mountd înregistrează v4.2 client attached de la 10.0.20.202. Un mount NFS se reface la boot — deși o reatașare NFSv4 după expirarea lease-ului într-o partiție de 89 de secunde rămâne posibilă.

Pentru 17:26 nu există niciun indiciu echivalent — nodul pur și simplu a încetat să fie vizibil. O deconectare USB explică asta la fel de bine ca o pierdere de alimentare.

Consecință practică, înainte de orice altceva: când ajungi la nod, prima observație e dacă mașina merge — ventilatoare, LED-uri, imagine pe monitor. Dacă e pornită, nu a fost o cădere de alimentare, jurnalul e intact și complet, iar reparația e la dongle / cablu / port de switch. Nu apăsa butonul de power înainte să te uiți.

Testul decisiv, automatizat în scriptul de verificare: jurnalul continuă după 17:26:44? Dacă da, mașina a mers mai departe și a căzut doar rețeaua.

---

Cronologie (EEST)

Ora	Nod	Eveniment	Sursa
12:25:02	pvemini	<root@pam> qmshutdown:303 — începe oprirea ordonată a guest-urilor	pvedaemon
12:28:59	pvemini	Stația de admin (10.0.20.144) se conectează prin SSH	sshd
12:33:56	pvemini	Members left: 3 — pveelite se oprește primul	corosync
12:35:58	pvemini	Members left: 1 — pve1 se oprește	corosync
12:36:58	pvemini	Finished systemd-poweroff.service — oprire curată, ultimul nod	journalctl -b -1
13:20:24	pve1	boot	uptime -s
13:20:26	pvemini	boot	uptime -s
13:20:41	—	Cluster complet: membership 1.1c7, Members[3]: 1 2 3	corosync
14:12:26	pvemini	ups-shutdown orchestrat — DRY-RUN, fără efect. Status OL, baterie 100 %	/var/log/ups-shutdown.log
16:00:02	pvemini	cron de pe pveelite, SSH normal	sshd
16:01:48	pvemini	link: host: 3 link: 0 is down — pveelite dispare	corosync
16:02:07	pvemini	Members left: 3, Failed to receive the leave message	corosync
16:03:10	pvemini	rpc.mountd: v4.2 client attached from 10.0.20.202 — remount NFS ⇒ probabil a bootat	rpc.mountd
16:03:17	pvemini	Members joined: 3 — pveelite revine în cluster	corosync
16:15 / 16:30 / 16:45 / 17:00	pvemini	cronurile de pe pveelite rulează normal	sshd
17:15:01	pvemini	ultimul semn de viață al lui pveelite	sshd
17:26:35	—	ultimul timestamp LRM pveelite	ha-manager status
17:26:44	pvemini	link: host: 3 link: 0 is down — cădere definitivă	corosync
17:26:48	pvemini	Token has not been received in 7987 ms	corosync
17:27:03	pvemini	Membership 1.1d8, Members[2]: 1 2. Quorum păstrat	corosync
17:27:13	pvemini	node 'pveelite': online => unknown	pve-ha-crm
17:28:04	pvemini	node 'pveelite': unknown => fence; vm:109 → fence	pve-ha-crm
17:28:13	pvemini	Lock de fence obținut; vm:109 recuperat pe pvemini, recovery → request_stop	pve-ha-crm
17:28:23	pvemini	vm:109 → stopped. Recovery încheiat curat	pve-ha-crm
17:31	pvemini	Alertă email trimisă (prag de 5 minute atins)	/var/run/pveelite-down-alerted
21:22	—	Verificare: ping 100 % loss, ip neigh → FAILED, nod inaccesibil de 4 ore	investigație

---

Starea la momentul investigației (21:22)

Cluster

Expected votes: 3 | Total votes: 2 | Quorum: 2 | Quorate: Yes
Members: 0x1 10.0.20.200 (pve1), 0x2 10.0.20.201 (pvemini, local)
/etc/pve/.members: pveelite online: 0

Clusterul funcționează, dar fără nicio marjă. Dacă mai cade un nod, se pierde quorumul și /etc/pve devine read-only pe tot clusterul — toate guest-urile îngheață.

Ce rula pe pveelite

Nimic viu. Singurul guest asignat nodului era CT 301 docker-portainer-template (template: 1, oprit). vm:109 era înregistrat în HA pe pveelite, dar în starea stopped, și a fost recuperat pe pvemini la 17:28. Niciun serviciu HA activ nu era pe pveelite.

Motivul pentru care asta a mers bine: după incidentul din aprilie, sarcina a fost consolidată pe pvemini/pve1, iar pveelite a rămas doar țintă de replicare + rezervă de failover.

Replicare

Job	Țintă	Ultima sincronizare	Stare
100-1, 102-1, 103-1, 104-1	pveelite	2026-08-26 ~21:05–21:21	✗ eșec, FailCount 1
106-1	pveelite	2026-08-27 16:00:03	✗ eșec, FailCount 1
108-1, 171-1, 201-1	pveelite	2026-08-27 17:15	✗ eșec, FailCount 1
109-1	pveelite	niciodată	✗ eșec, FailCount 1
toate *-0	pve1	2026-08-27 20:00–21:20	✓ OK

Eroarea e uniformă: ssh ... root@10.0.20.202 -- pvesr prepare-local-job ... failed: exit code 255 (SSH nu poate deschide conexiunea).

Copia DR pe pve1 e intactă și la zi — CT 108 Oracle și VM 201 replicate la 21:15, RPO 15 min respectat. Redundanța a scăzut de la 2 copii la 1, nu la 0.

Fără acces out-of-band

tailscale status → pveelite ... offline, last seen 27d ago. Nu doar că nodul e mort, dar tailscaled nu mai rulează pe el de 27 de zile — deci nici dacă ar fi doar o problemă de rețea LAN, tot n-am putea ajunge la el. Singura cale rămasă e fizică.

Colateral observat

• local-zfs pe pvemini la 92,06 % (69 GB liberi din 875 GB). Nu e cauza incidentului, dar e o problemă separată care merită tratată.
• Scriptul /opt/scripts/pveelite-down-alert.sh descrie în corpul alertei un export NFS 10.0.20.202:/mnt/pve/oracle-backups care nu mai există în storage.cfg. Textul alertei e depășit și induce în eroare la citire.

---

Ce a funcționat bine

Merită consemnat, pentru că sunt exact lucrurile reparate după aprilie:

1. Fence-ul a mers curat. Lock obținut, un singur serviciu recuperat, starea stopped respectată. Fără repornire nedorită, fără cascadă.
2. Consolidarea sarcinii pe pvemini/pve1 a făcut incidentul un non-eveniment pentru producție. În aprilie, căderea unui nod muta 4 containere pe o mașină de 16 GB și declanșa 3 ore de buclă OOM.
3. Alertarea a funcționat — prag de 5 minute, email livrat la 17:31 prin mail.romfast.ro, coadă goală, status=sent.
4. Replicarea către pve1 nu a fost afectată — a doua țintă și-a făcut treaba.

---

Ce urmează — verificare la repornirea nodului

Nodul se pornește fizic. Imediat după ce revine, se rulează verifica-pveelite.ps1 din stația de admin:

.\proxmox\cluster\scripts\verifica-pveelite.ps1

Scriptul acoperă, în ordine:

1. S-a oprit mașina, sau doar a dispărut din rețea? Testul decisiv: există intrări în jurnal după 17:26:44? Dacă da → a mers mai departe, a căzut rețeaua (adaptorul USB), iar reparația e la dongle/cablu/switch. Dacă nu → mașina chiar s-a oprit, și atunci contează dacă jurnalul e tăcut înainte (MCE, termic, panic, EDAC). Tăcere = alimentare/hardware, nu software — și atunci nodul nu mai e de încredere ca țintă de failover.
2. Integritatea ZFS — zpool status -v după două opriri necurate; se așteaptă eventual un resilver automat, ca în aprilie.
3. Revenirea în cluster — quorum 3/3, pvecm status, /etc/pve/.members.
4. Repornirea replicării — pvesr status, FailCount înapoi la 0, toate cele 9 job-uri recuperate. Nu necesită intervenție manuală; se reiau singure.
5. HA — LRM pveelite active, nu dead.
6. SMART pe discuri — temperaturi și erori, dat fiind precedentul Kingston.
7. Tailscale — repornit și Online, ca să existe acces out-of-band data viitoare.

---

Plan de prevenție

🔴 Tier 1 — la repornirea nodului

1. Tailscale pe pveelite Mort de 27 de zile. Fără el, orice incident viitor pe nodul ăsta cere din nou deplasare fizică.

ssh root@10.0.20.202 "systemctl enable --now tailscaled && tailscale up && tailscale status"

2. Verdictul hardware, scris explicit. Dacă journalctl -b -1 nu conține nimic înainte de 17:26 (tăcere completă, ca la pvemini pe 2026-04-20), atunci cauza e hardware și nodul trebuie tratat ca nesigur până la înlocuirea sursei / testare RAM. Nu se lasă concluzia „a mers, deci e bine".

3. Notează adresa MAC a lui pveelite — acum nu o mai are nimeni. În timpul incidentului s-a pus întrebarea dacă nodul poate fi trezit cu un magic packet (Wake-on-LAN). Nu s-a putut nici măcar încerca: intrarea ARP expirase peste tot — ip neigh pe pvemini (INCOMPLETE) și pe pve1 (FAILED), tabela ARP a stației de admin, LXC-urile de pe LAN. Nodurile au IP static, deci nu există lease DHCP, iar MAC-ul nu e consemnat în documentație. Singurele surse rămase: tabela ARP/DHCP a routerului 10.0.20.1 sau citirea fizică de pe nod.

Separat de asta, WoL are șanse mici pe acest nod: placa de rețea e pe USB, iar un adaptor USB rămâne nealimentat în stare soft-off, deci nu poate asculta după magic packet. De verificat la repornire, împreună cu MAC-ul:

ssh root@10.0.20.202 "ip -br link; ethtool <iface> | grep -iE 'Wake-on|Supports Wake'"

Dacă apare Supports Wake-on: g și se activează și în BIOS, WoL devine posibil. Dacă nu, concluzia se scrie explicit aici, ca să nu se reia discuția la următorul incident.

4. Textul alertei — scos exportul NFS inexistent. /opt/scripts/pveelite-down-alert.sh menționează 10.0.20.202:/mnt/pve/oracle-backups, care nu mai e în storage.cfg. Cine citește alerta la 3 noaptea o ia pe o pistă falsă.

🟡 Tier 2 — de decis după verdictul hardware

5. Ce se întâmplă cu marja de quorum. Cât timp pveelite e nesigur, clusterul funcționează pe 2 din 3 voturi. Nu se umblă la expected votes cât timp e quorate — dar dacă nodul urmează să stea oprit zile întregi, merită decis conștient dacă rămâne în cluster sau se scoate temporar.

6. local-zfs pe pvemini la 92 %. Separat de incident, dar pe același nod pe care stă acum toată producția.

---

Referințe

• Incident 2026-04-20 — cluster outage pvemini + pveelite — precedentul de „nod care moare fără niciun log"
• Incident 2026-04-30 — Kingston backup SSD hang
• Oprire planificată a clusterului
• Failover și replicare
• Script de verificare: ../scripts/verifica-pveelite.ps1