Cloudpods业务网口网桥丢包问题分析与解决方案

问题背景

在Cloudpods 3.11.9版本环境中，用户在同一批服务器上同时部署了Cloudpods和Ceph存储系统。其中Ceph运行在Podman容器环境中，与Cloudpods的容器环境相互隔离。运维过程中发现Ceph监控系统持续报告cephnodenetworkpacketdrops告警，显示brpub网桥丢包率超过阈值。

网络拓扑分析

该环境中的网络配置具有以下特点：

1. 使用bond0网口配置静态IP作为管理口
2. bond1网口作为业务网口
3. 在bond2上配置了VLAN tag为150的别名网口(设置静态IP)用于Ceph公共网络

问题现象

通过监控系统观察到brpub网桥存在持续丢包现象，丢包速率约为每秒10个数据包。这种持续丢包不仅影响网络性能，还可能导致Ceph集群通信异常。

临时解决方案

用户通过执行ovs-vsctl set port bond1 trunks=246,150命令(其中246为虚拟机接入的VLAN ID)暂时解决了丢包问题。但这种方法存在明显缺陷：

1. 配置在服务器重启后会失效
2. 属于临时性解决方案，未从根本上解决问题

问题根源分析

根据网络配置和现象分析，丢包问题可能源于以下几个方面：

1. VLAN过滤问题：业务网口(bond1)可能未正确配置允许相关VLAN流量通过，导致非预期VLAN数据包被丢弃。

2. 网桥配置不完整：brpub网桥可能缺少必要的VLAN配置，无法正确处理带有VLAN标签的数据包。

3. 网络隔离冲突：Cloudpods和Ceph的网络配置可能存在冲突，特别是在VLAN处理方面。

永久解决方案

针对该问题，建议采取以下解决方案：

方案一：通过OVS持久化配置

1. 修改Open vSwitch的持久化配置，确保VLAN trunk设置能够在重启后保持：

ovs-vsctl set port bond1 trunks=246,150
ovs-vsctl set port bond1 vlan_mode=trunk

2. 验证配置是否生效：

ovs-vsctl get port bond1 trunks
ovs-vsctl get port bond1 vlan_mode

方案二：修改Cloudpods网络配置

1. 编辑Cloudpods的host网络配置文件，明确指定业务网口的VLAN配置：

network:
  interfaces:
    - name: bond1
      type: bond
      bridge: brpub
      vlan:
        mode: trunk
        trunk_vlans: [150, 246]

2. 重启网络服务使配置生效。

方案三：网络架构优化

对于生产环境，建议考虑以下优化措施：

1. 将管理网络和业务网络物理隔离
2. 为Ceph集群配置专用网络接口
3. 在交换机端配置相应的VLAN trunk

验证方法

实施解决方案后，可通过以下方式验证问题是否解决：

1. 监控brpub网桥的丢包计数器是否停止增长
2. 使用tcpdump抓包分析VLAN标签是否正确处理
3. 检查Ceph集群的网络性能指标是否恢复正常

总结

Cloudpods与Ceph共存的网络环境中，VLAN配置的正确性至关重要。特别是在使用网桥和绑定接口时，必须确保VLAN trunk配置完整且持久化。通过合理的网络规划和配置，可以有效避免类似丢包问题的发生，保证云平台和存储系统的稳定运行。