背景

某夜间例行网络变更后，集群中三台 ESXi 主机短暂失联，触发 vSphere HA 的虚拟机重启保护机制，导致约 40 台虚拟机被强制重启，业务出现短时中断。

排查过程

首先检查 vmkernel.log 中的网络心跳记录，发现管理网络与存储网络在变更窗口内出现约 12 秒的丢包，超过了 HA 默认的主机隔离判定阈值。

1
2
esxcli network diag ping -I vmk0 -H <isolation-address>
# 观察是否存在丢包或延迟突增

结合 vCenter 的事件日志，确认这批主机在心跳丢失期间被判定为”网络隔离”，触发了默认的虚拟机重启策略，而非更保守的”关机”策略。

根因

  • 核心交换机变更时生成树重新收敛，产生短暂网络风暴
  • HA 隔离响应策略配置为默认值，未结合实际网络拓扑做调优
  • 未配置独立的心跳数据存储，单一依赖管理网络判断

整改措施

后续将隔离响应策略调整为”保持虚拟机开机”，并额外配置两个心跳数据存储，降低误判概率；同时把核心网络变更纳入维护窗口流程，避免业务高峰期执行。