カーネルパニックなしでサーバーがフリーズする
KVMノードが不規則にクラッシュし、非常に奇妙な動作を示しています。興味深いのは、1〜2週間ごとにクラッシュする別のノードでこの問題が既に発生していることです。ハードウェアの問題が見つかったため、VMを新しいノードに移行し始めました。VMの50％を移行してから約1週間後、「古い」ノードが正常に動作している間に新しいノードがクラッシュしました（稼働時間3週間、何ヶ月もこのような素晴らしい稼働時間は見ていません）。
ノードがクラッシュすると、Supermicro IPMIでこれらの奇妙なことが時々見られます：
私達はまた見ました：
- サーバーの電源がオフになっているような "信号なし"（もちろん、電源がオフになっておらず、IPMIメインページに電源がオフとして表示されたこともありません）
- サーバーからの通常のログイン画面またはその他の通常の出力、ただしフリーズ
私たちが見たことのないものは、クラッシュ前のカーネルパニックまたはログ内の少なくともいくつかのメッセージでした。突然ライトが消えるまで完全に沈黙しています。
問題が1つのサーバーから別のサーバー（新品のマシン）に「移った」ので、私の意見にはいくつかのオプションしか残っていません。
- 特定のVMが問題を引き起こしています
- カーネルのバグ
- セットアップに関するハードウェアの問題
マシンに関する詳細情報：
- 最新のカーネルを搭載したCentOS7（3.10.0-514.2.2.el7.x86_64）
- 冗長電源を備えたSupermicroケース
- Supermicro X10DRi/X10DRWiと最新のBIOSバージョン
- Intel Xeon E5-2630 v3/v4
- 512 GB DDR4 ECC RAM（Samsung Server RAM）
- 145台のVMが実行されています（RAMとCPUが飽和状態から遠く離れています。KSMのおかげでもあります）
- 8/16SSDを搭載したソフトウェアRAID-10
誰かがこの動作を見たことがありますか、またはコンソールの奇妙な「メッセージ」について何か言うことができますか？私はこのようなものを見たことがなく、グーグル検索のためにこれをどのように説明すべきかさえ知りません。現時点では、それがすべてである可能性があるため、次に何をすべきかについてはあまり良い考えがありません。
前もって感謝します！
これに関する短い更新：最新のLTSカーネル（4.4.39）にアップグレードした後、サーバーは安定しています。稼働時間は19日なので、うまくいったと思います。根本的な原因はわかりませんが、最新のハードウェアではCentOS 7カーネル（3.10）は古すぎる可能性があります。有用なエラーメッセージ（最良の場合はカーネルパニックなど）を配信できないため、CentOS開発者には報告しないことにしました。
これはCPUのバグである可能性があります。 Intelはこの問題に関するエラッタを公開し、E5 v3/v4 CPUのマイクロコードアップデートも提供しています（日付コード20170707）。 CentOS 7.4にはすでに新しいマイクロコードバージョン0xb000021があります（CentOS 7.3では0xb00001eでした）。マイクロコードの交換や7.4へのアップグレードが役立つ場合があります。また、このシステムがフリーズするのに多くの問題がありました。メインボード（X10DRi）、RAM、CPU、電源を交換しましたが、うまくいきませんでした。マイクロコードを更新してから十分な稼働時間がないため、これが解決策であるかどうかはわかりません。 Supermicroはまだ現在のIntelマイクロコードで更新されたBIOSを提供していません。 X10DRIのディストリビュータから非公式のプレリリースを取得する場合があります。