安全使用规范

一、目的

本文为规范 MStore 存储集群的运维管理与使用流程，明确存储网络配置、架构部署、容量管控及健康维护的核心要求，防范因配置不当、容量超限、集群异常等问题引发的平台可用性风险，确保云平台资源合理利用，特制定本规范。

二、核心原则

• 稳定性优先：所有操作以保障集群持续运行、数据一致性为首要前提，严禁执行可能引发集群震荡的非合规操作。
• 预防为主：强化事前部署规范、事中实时监控、事后复盘优化的全流程管控，降低故障发生概率。
• 合规操作：所有配置修改、运维操作需履行审批流程并留存日志。
• 数据安全：依托集群副本机制与备份策略，确保数据在故障场景下可快速恢复，杜绝数据丢失风险。

三、 存储架构设计规范

3.1 测试 / 临时展示架构限制

• MStore all-in-one 一体化架构，仅允许用于临时功能演示、单机测试场景，禁止部署任何生产级业务。该架构因单节点部署无容灾能力，易因硬件故障、系统崩溃导致业务完全中断。

3.2 生产环境架构要求

• 硬件物理隔离：所有服务器禁止集中部署在同一机柜、接入同一电源回路，需跨机柜、跨配电单元部署，规避机柜故障、区域性断电导致集群瘫痪。
• 节点数量：生产环境MStore集群节点总数不得少于 3 个。
• cpu和内存预留：一个1T的osd，按照1G内存/1core CPU预留，不足1T的按1T算
• MStore 组件部署：核心组件需基于 MStore 的高可用部署规范，配置多实例负载均衡，避免单点故障。
• public 和cluster 网络：尽量用不同的vlan隔离开来，并且是物理隔离，避免客户端流量与集群内部复制、心跳、恢复等流量竞争带宽，提升数据复制效率，降低恢复时间；卡尽量做bond4（交换机需要配置LACP）
• 副本模式：强制启用三副本存储模式，禁止将副本数修改为2或1；同时设置min_size 2，确保单副本故障时仍可提供读写服务，保障业务连续性。
• 故障域：分布式存储故障域是host，在存储服务器数量大于15台，架构师需要参与设计，决定是否更改故障阈

四、存储使用规范

4.1 容量阈值管控

当 MStore存储集群 整体容量使用率达到 70% 时，运维人员必须立即启动扩容流程，可选择新增 OSD 存储节点或替换更大容量硬盘；若短期内无法扩容，需清理无效镜像、过期快照、闲置卷等数据，将容量使用率降至 70% 以下，避免触发MStore 的容量告警阈值（85%）导致数据写入失败。

4.2 存储健康维护

定期检查 MStore 集群状态，确保集群状态为HEALTH_OK；若出现 PG（放置组）不均衡、OSD 宕机等异常，需在业务低谷期操作，避免影响业务的存储读写。

五、售后变更流程规范

为了消除或减少由于不规范变更而引起的潜在事故隐患，特做此变更规范说明：

• 变更管理是对环境、变更步骤、操作方法等永久性或暂时性的变化进行有计划的控制和管理。以避免由于不规范变更造成的对安全生产的影响。
• 实施变更前，变更申请人应写出变更申请单，明确说明变更的内容、方法和范围。
• 对变更内容必须进行必要的风险分析(评估)，确定变更产生的风险，制定出行之有效的回退方案。

六、应急处置规范

6.1 应急处置原则

遵循“先止血、后排查、再恢复、终复盘”的原则，优先保障业务连续性与数据安全；紧急故障（如集群宕机、数据写入失败）需立即通知业务部门，确认影响范围后在授权范围内操作，全程记录操作日志与故障现象。

6.2 常见故障处置流程

6.2.1 集群状态非HEALTH_OK告警

• PG不均衡/卡住：执行ceph pg stat、ceph pg map {pg-id}定位异常PG，临时卡顿等待集群自动均衡（1-2小时）；超过2小时未恢复，执行ceph pg reweight-by-utilization手动触发均衡，监控均衡进度至完成。
• OSD节点宕机：确认节点宕机原因（硬件故障、网络中断），若为网络中断，恢复网络后等待节点自动重新加入集群；若为硬件故障，标记故障OSD为out（ceph osd out {osd-id}），替换硬件后重启节点，将OSD重新加入集群（ceph osd in {osd-id}），监控数据副本同步。
• Monitor节点异常：单个Monitor节点故障，无需手动干预，集群自动切换至其他健康节点；多个Monitor节点故障，需优先恢复核心Monitor节点，确保集群元数据服务正常。

6.2.2 网络故障导致集群通信异常

快速排查故障链路（public/cluster网络），通过ping、traceroute命令定位故障点（交换机、网卡、链路）；若为链路故障，切换备用链路；若为配置异常，恢复网络配置至最近可用版本，重启网络服务；cluster网络恢复后，重点监控数据副本同步状态，确保集群心跳与数据一致性。