2018.12.25

下記の通り障害が発生し仮復旧しました。

１．概要

　/gs/hs1の応答が極端に悪くなる

２．期間

　2018年12月17日(月)17:20頃 から 23:16頃

３．詳細

　hs1の応答が極端に悪くなっておりました。同期間に特定のユーザのinode(≒ファイル数)がquota値に達している事がわかり、ファイル数が減少したところ応答が正常に戻ったことから、Lustreファイルシステムのquota処理に何らかの不具合があった可能性を調査しています。

2018.8.1

　下記の通り障害が発生し復旧作業中です。

1. 障害の概要

　2018/08/01 12:45頃にクーリングラックの1台の故障によりr8で始まる計算ノード72台に障害が発生しました。

2. 原因

　調査中
　(8/24追記)　8/1 にクーリングラックのPDUの故障が確認されました。

3. 今後の対策

　未定
　(8/24追記)　8/1にPDUの交換は完了し、8/2 11:52に全ての計算ノードのサービスインをしました。
　　　　　　 なおファンブロアー等の故障も確認されましたので8/10に交換を行いました。

障害による影響の可能性があるジョブは以下の通りです。

2018.6.25

下記の通り障害が発生し仮復旧しました。

１．概要

　/gs/hs0の一部に一時的にアクセス不可、仮復旧後はパフォーマンスが低下する場合がある。

２．期間

　2018年6月25日(月)13:39頃 から 13:54頃(仮復旧時刻)

３．詳細

　06/25 13:39頃に Lustre ( /gs/hs0 )のOSTを管理するossa2サーバでpanicが発生し、/gs/hs0 に一時的にアクセスできない状況が発生しました。13:54頃にossa3にテイクオーバーされ、現在は/gs/hs0は使用可能ですが、該当時間前後に一時的にlustreファイルシステムへのI/Oがストールしたと思われます。現在はossa2が担当するOSTがossa3にマウントされておりますので、/gs/hs0へのI/O帯域幅が低下している可能性がございます。

2018.6.18

　下記の通り障害が発生し仮復旧しました。

１．概要

　/gs/hs0の一部に一時的にアクセス不可、仮復旧後はパフォーマンスが低下する場合がある。

２．期間

　2018年6月15日(金)21:42頃 から 21:57頃(仮復旧時刻)

３．詳細

　6/15 21:42 頃に Lustre (/gs/hs0 )のOSTを管理するossa0サーバでpanicが発生し、/gs/hs0 に一時的にアクセスできない状況が発生しました。21:57頃ossa1にテイクオーバーされ、現在は/gs/hs0は使用可能ですが、該当時間前後に一時的にlustreファイルシステムへのI/Oがストールしたと思われます。現在はossa0が担当するOSTがossa1にマウントされておりますので、/gs/hs0へのI/O帯域幅が低下する可能性がございます。

2018.6.4

　下記の通り障害が発生し仮復旧しました。

１．概要

　/gs/hs0の一部に一時的にアクセス不可、仮復旧後はパフォーマンスが低下している可能性あり。

２．期間

　2018年6月4日(月)01:52頃 から 02:06頃(仮復旧時刻)

３．詳細

　6/4 01:52 頃に Lustre (/gs/hs0 )のOSTを管理するossa1サーバでpanicが発生し、/gs/hs0 に一時的にアクセスできない状況が発生しました。01:52頃ossa0にテイクオーバーされ、現在は/gs/hs0は使用可能ですが、該当時間前後に一時的にlustreファイルシステムへのI/Oがストールしたと思われます。現在はossa1が担当するOSTがossa0にマウントされておりますので、/gs/hs0へのI/O帯域幅が低下する可能性がございます。

　5/24 に発生した障害と同種のものと考えられますが、発生したOSSのペアが異なるため、現在さらに縮退した状態となっています。

2018.5.25

　下記の通り障害が発生し仮復旧しました。

１．概要

　/gs/hs0の一部に一時的にアクセス不可、仮復旧後はパフォーマンスが低下している可能性あり。

２．期間

　2018年5月24日(木)19:18頃 から 19:36頃(仮復旧時刻)

３．詳細

　5/24 19:18 頃に Lustre (/gs/hs0 )のOSTを管理するossa3サーバでpanicが発生し、/gs/hs0 に一時的にアクセスできない状況が発生しました。19:36頃ossa2にテイクオーバーされ、現在は/gs/hs0は使用可能ですが、該当時間前後に一時的にlustreファイルシステムへのI/Oがストールしたと思われます。現在はossa3が担当するOSTがossa2にマウントされておりますので、/gs/hs0へのI/O帯域幅が低下する可能性がございます。

2018.2.27

　掲載が大幅に遅くなりましたが、下記の通り障害が発生し復旧しました。

1. 障害の概要

　2/18 15:50頃に発生した東京神奈川の電力供給不安定によりRack1,2 配下の144ノードが停止しました。

2. 原因

　電力会社からの電力供給不安定　

障害による影響の可能性があるジョブは以下の通りです。

2018.2.27

　掲載が大幅に遅くなりましたが、下記の通り障害が発生し復旧しました。(2/28現在、一部の計算ノードはパーツが不足しているため停止しています)

1. 障害の概要

　1 月 26 日に Rack1 のクーリングラック#1 内部において漏水が発生し、
　それに起因して 19 ノードで障害が発生しました。
　Rack1を緊急停止した為、ラック内の全72ノードのジョブに影響がありました。
　漏水だけでは故障しない構造ですが、
　冷却ファンにあたり、跳ねた為計算ノードにも影響が発生しました。
　クーリングラック#1 を分解および目視確認により漏水箇所を特定し、
　漏水に対する処置を完了しております。

2. 原因

2018.2.13

以下のポイント精算における障害が発生し復旧しました。

1. 期間
   2017年12月4日 から 2018年2月9日 12:24


2. 影響
   2017年12月4日 18:21 ～ 2017年12月7日 12:03 投入されたジョブの精算処理が正常に行われていませんでした。
   ポイントの仮押さえ後、精算処理（消費ポイント、返却ポイント）が行われず、仮押さえのままになっていました。


3. 復旧
   2017年12月4日 18:21 ～ 2017年12月7日 12:03 投入された未精算ジョブの精算処理を2018年2月9日 12:24に完了いたしました。
   本問題は、2017年12月07日12:04以降で発生することはございません。

2017.12.11

以下の通りログインノード上で実行されていたユーザプロセスが誤って強制終了されました。

１．期間

　2017年12月11日(月) 12:05 から13:10頃

２．影響

　12月11日 12:05 頃から13:10分までの間、ログインノード上で動作していた一部のユーザプロセスが、高負荷プロセス監視プログラムの誤判定により強制終了される状況が発生しました。

３．復旧

　13:10頃に監視プログラムを停止しました。今後修正と十分なテストを行った上、再度監視プログラムを実行する予定です。

４．影響があった可能性のあるスケジューラ上のジョブ

　ログインノード上の問題のため、本障害によるスケジューラ上のジョブへの影響はありません。