Oracle RAC一节点宕机导致另一节点HANG的问题分析

        正所谓“福无双至，祸不单行”，生产上有套2节点Oracle 11.2.0.4数据库，其中2节点因硬件故障宕机，1节点去HANG住了。我们一起来分析这起故障。

        凌晨4点半，值班同时电话说一套生产库节点2宕机了，机房的同事看机器正在启动，估计是硬件原因导致的。心想节点2宕了还有一个节点1在跑，应该问题不大，于是继续睡觉，离公司近的另一位DBA同事赶往现场支持。可是没有过多长时间，到现场的DBA反馈信息：活着的另一节点也出问题了。在宕掉的那个节点2上部署了ogg，由于宕机，自动切换到了节点1，但ogg的复制进程延迟一直的增长，感觉像是一直没有应用。

        尝试用sqlplus进入库结果却报了ORA-00020超过最大进程数，无法登录数据库，无法分析数据库当前的状况。

        于是分析哪个应用服务器连接这套数据库，是不是由于应用问题造成的。

        找到连接数最多的那个ip上的应用，与相关业务人员确认，可以封堵其连接数据库的端口，减少数据库的外部连接。可是把这个ip禁掉之后，别的ip连接数又涨上来了。开始想到，是不是由于数据库的问题导致应用处理慢，进而导致连接数过多呢。现在无法登录数据库也无法进行验证。

        与业务部门沟通是否可以尝试kill部分会话，让DBA可以连接到数据库后台，进行一些管理操作，和性能分析。得到业务部分同事的肯定答复之后，kill了部分LOCAL=NO的会话。以sysdba登录数据库后台，执行性能分析语句，刚查完session的等待事件，查第二个sql的时候，sql执行卡住了。从新的窗口登录数据库依然报ORA-00020。这里进一步确定了是由于数据库的性能问题导致了ogg及应用的问题。

        数据库都HANG住了，如何分析呢？

        想到了以前看别人分享的一个hanganalyze在数据库HANG住时可以用于分析HANG的原因，于是找到命令ORADEBUG hanganalyze 3。分析trace文件，看到hang chain如下图

        再往下看，SMON进程在等待parallel recovery coord wait for reply，等待时间已经有289min，正是故障出现到hanganalyze的时间，而且他阻塞了1465个session。

        从trace中看到等待事件为parallel recover coord wait for reply 、gc domain validation。没见过这个等待事件，于是查询MOS，关于这两个等待事件的文档不是很多，找到一篇

        不知是否触发了ORACLE的BUG。

        由于时间紧迫，只能选择把节点1的数据库实例进行重启，重启后数据库恢复正常。

        事后找大神帮忙分析原因，看SMON进程的trace信息

        发现正在做并行恢复，查看OSW中的SMON进程监控，没有发现性能问题。

        查看到有大量的p00xx的进程，说明是在并行进行恢复，也没有看出有什么问题。

        大神建议使用TFA查看日志进行详细，结果没有时间分析就给搁置了。

        总结故障就是：节点2宕机，节点1要接管节点2的数据，结果节点1也因为接管HANG住了。