实际来说，这个案例大概是1年半之前发生的，在我上一家公司，整个集群大概60个节点， 机器配置大概是128G，24vcores，1T*4硬盘。 因为要迁移，也就是从一个机房迁移到另外一个机房。

这里对Hadoop 迁移不做具体描述，当时发生一件事，就是我们新机房的HADOOP和老机房的不管从硬件，还是从软件基本是一样的，但是在测试阶段发现，之前正常的JOB或者说程序，在新Hadoop上有时候正常，有时候异常，所谓异常是说JOB以前执行5分钟的，现在要执行1个小时，甚至执行失败，而且没有规则，现在执行成功，下一次就失败，或者执行很长时间。

开发找到我的时候和我说这事，说他们在迁移过程，发现很奇怪的事，就是上面我描述的问题。 当时其实我也没有太多思路，为什么会发生这个情况，于是只能根据日志查询，发现mapreduce日志里失败的JOB一定有找不到HDFS Block的错误，而正常结束的却没有。

于是我把方向对准HDFS，通过HDFS客户端上传文件，下载文件，整个表现和JOB表现一模一样，也就是说通过HDFS也存在上述问题，那很显然，整个环境是有问题的，和JOB本身无关。那我们现在就是要找到原因，到底是什么导致这个问题的。

我先通过磁盘测试工具测试磁盘，发现从磁盘角度一切正常，也就是说如果从单个磁盘的测试，没有发现问题，通过系统工具也检查了磁盘没有报错，还使用cloudera manager检查，显示一切正常，zabbix 对网络，CPU，内存的监控没有任何痕迹表示机器有问题。

因为还处在测试阶段，因此我决定重装整个环境，把系统全部格式化，系统重新安装，然后测试表现依然相同，大大的问号在我脑子里，为什么？ 

于是我又回归到日志，主要是mapreduce和HDFS日志，HDFS会出现找不到BLOCK的错误，mapreduce日志同样的错误，其实就是说因为nodemanager去获取HDFS数据，找不到，但是我根据目录地址去看，BLOCK是存在的。 

做技术的都知道，碰到这种问题不是不想睡，是睡不着，半夜我起来把Yarn以及mapreduce的知识点和原理重新整理了一次，然后按照日志一步一步往下看，最后发现时报的JOB一定包含一台nodemanager，而正常完成的JOB没有那台nodemanager， 这个发现给了我思路。于是我关闭那台机器，再重新跑JOB，一切正常了。

那台机器到底出现了什么问题？ 于是我再次开启，登入进去，发现一个明显问题，其他机器直接就登入了，唯有那一台机器会有大概1-2秒的暂停，我TOP一下，没有发现异常，然后PING一下，问题出来了，丢了1个包。 第二天通知网络工程师检查，结果是因为双网卡的端口绑错了一个。

上述出现的问题给了我2个思考， 一个是HADOOP原理的重要性，找到这个故障的原因完全是因为对Yarn以及mapreduce原理重新解读了一次，真正干活的时候好像和原理无关，实际等出现问题就会发现，原理如此重要。

另外就是对于Hadoop集群，因为网络的故障，一台机器导致整个集群不能正常工作，那么如何监控网络？ 很明显zabbix没有监控到这次异常，丢一个包监控不到。