📚 课程目录第4章计算实例运维与故障诊断

4. 计算实例运维与故障诊断

在 OCI 生产环境中，计算实例（Compute Instance）的运维与故障诊断围绕一条清晰的生命周期主线展开：Provisioning → Running → Stopping → Stopped → Starting → Running，以及异常分支 Terminating / Terminated。理解每个状态之间的合法迁移路径，是判断故障性质的第一步。例如，实例长时间停留在 Provisioning，通常意味着镜像拉取、网络配置或容量调度出现问题；而实例从 Starting 回退到 Stopped，则往往指向引导卷、启动脚本或串行控制台层面的错误。

实例生命周期中的关键状态包括：PROVISIONING（资源分配与初始化）、RUNNING（正常运行）、STOPPING（正常关机中）、STOPPED（已关机但资源保留）、STARTING（重新启动中）、TERMINATING（终止中）、TERMINATED（已释放）。需要特别注意的是，STOPPED 状态并不等于资源完全释放，引导卷、VNIC、公共 IP 等仍可能保留并计费；只有 TERMINATED 才会释放计算资源。生产运维中，应通过 OCI 控制台、CLI 或 API 定期核对实例状态与资源占用，避免“已关机但仍在计费”的隐性成本。

当实例启动失败时，诊断顺序应从外到内、从基础设施到操作系统逐层排查。第一层是实例状态与事件日志：通过控制台查看实例的“Work Requests”和“Instance Events”，确认是否有容量不足、镜像不可用、配额超限等平台侧错误。第二层是引导卷与启动脚本：检查引导卷是否挂载正常、启动脚本（cloud-init）是否执行成功。第三层是串行控制台：当实例无法通过 SSH 登录时，串行控制台是唯一能直接观察引导过程的手段。

示例：通过 OCI CLI 查看实例状态与事件

oci compute instance get \
  --instance-id ocid1.instance.oc1..example \
  --query 'data.{state:"lifecycle-state",shape:"shape",ad:"availability-domain"}'

oci compute instance list-events \
  --instance-id ocid1.instance.oc1..example \
  --query 'data[].{time:"timestamp",type:"event-type",state:"state"}'

上述命令用于确认实例当前生命周期状态及最近事件。示例中的 OCID 为占位符，实际使用时需替换为真实资源标识。

SSH 无法连接是生产环境中最常见的故障之一。排查时应区分三类原因：网络层（安全列表、NSG、路由表、网关）、实例层（实例未运行、VNIC 未配置、公共 IP 缺失）、操作系统层（sshd 未启动、密钥不匹配、防火墙规则、磁盘满）。建议按以下顺序验证：先确认实例状态为 RUNNING 且 VNIC 已附加；再检查子网安全列表是否放行 TCP 22；然后确认实例是否有公共 IP 或是否通过 Bastion 访问；最后通过串行控制台登录系统内部检查 sshd 服务与密钥文件权限。

快速判断：如果 ping 公共 IP 不通，问题大概率在网络层或实例未运行；如果 ping 通但 SSH 超时，问题在安全列表或 sshd；如果 SSH 返回“Permission denied (publickey)”，问题在密钥或用户配置。

串行控制台（Serial Console）是 OCI 提供的带外管理通道，即使实例网络完全不可用，只要实例处于 RUNNING 状态，就可以通过串行控制台查看引导日志、登录系统并执行修复命令。启用串行控制台需要满足两个条件：实例已配置串行控制台连接，且用户拥有相应 IAM 权限。连接方式支持 SSH 和 VNC 两种。生产排障中，串行控制台常用于修复 sshd 配置错误、恢复被误删的密钥、检查 cloud-init 日志、处理磁盘满导致的登录失败等场景。

实例控制台（Instance Console Connection）与串行控制台在概念上紧密相关，但侧重点不同：实例控制台连接是创建串行控制台访问的连接资源，而串行控制台是实际交互的终端会话。创建连接后，OCI 会返回一个连接字符串，运维人员通过该字符串建立 SSH 或 VNC 会话。若连接创建失败，通常需要检查实例是否支持串行控制台、IAM 策略是否允许、以及实例是否处于可连接状态。

在实际生产排障中，建议将上述诊断路径固化为标准操作流程。以下是一份可直接参考的检查清单，用于实例启动失败或 SSH 无法连接时的快速定位：

检查项	检查方法	正常预期	异常处理
实例生命周期状态	控制台 / CLI `instance get`	RUNNING	若为 STOPPED，尝试启动并查看事件
Work Request 状态	控制台“Work Requests”	SUCCEEDED	查看失败原因，检查配额与容量
VNIC 与公共 IP	控制台“Attached VNICs”	已附加且 IP 可用	重新分配公共 IP 或检查子网
安全列表 / NSG	检查入站规则	放行 TCP 22	添加规则并确认生效
串行控制台连接	控制台“Console Connection”	ACTIVE	重新创建连接并获取连接字符串
系统内部 sshd	串行控制台登录后 `systemctl status sshd`	active (running)	启动服务并检查配置

生产注意：串行控制台会话默认在闲置一段时间后断开，长时间操作时建议保持会话活跃。此外，串行控制台登录需要实例内已配置有效的用户凭据；若实例从未成功引导，可能无法登录，此时应优先检查引导卷和 cloud-init 日志。

综合来看，OCI 计算实例的运维与故障诊断应遵循“先状态、后网络、再系统”的层次化思路。生命周期状态是判断实例是否具备运行基础的前提；网络层排查解决连通性问题；串行控制台则是突破操作系统层故障的关键手段。将这三层与实例控制台连接资源的管理结合起来，就能在大多数生产故障场景中快速定位根因并恢复服务。