为什么我的 Amazon MSK 集群处于“正在修复”状态？

解决方法

当服务运行内部操作以解决问题（例如，代理无响应）时，您的 Amazon MSK 集群将进入“正在修复”状态。但是，您可以使用集群来生成和使用数据。在集群返回“活动”状态之前，您将无法在集群上执行 Amazon MSK API 或 AWS 命令行界面（AWS CLI）更新操作。

使用适用于 Amazon MSK 的 Amazon CloudWatch 指标，了解集群为何处于“正在修复”状态：

1. 打开 CloudWatch 控制台。
2. 在导航窗格中，选择指标，然后选择所有指标。
3. 在浏览选项卡中，选择 AWS/Kafka。
4. 在指标下，选择集群名称。
5. 选择要监控的集群。
   如果您看到 ActiveControllerCount 或 OfflinePartitionsCount 指标出现峰值，则表明一个或多个代理运行状况不正常。这可能会导致您的集群进入“正在修复”状态。
6. 对于代理级别的指标，请在指标下选择代理 ID、集群名称。
7. 从列表中选择带有集群名称以及指标 CpuUser 和 CpuSystem 的条码。检查所有条目这两个值的总和的平均值是否超过集群的 60%。如果情况如此，高 CPU 利用率可能导致代理进入“正在修复”状态。有关监控 CPU 使用率的详细信息，请参阅最佳实践 — 监控 CPU 使用率。

以下是导致 Amazon MSK 集群进入“正在修复”状态的常见原因：

• 由于硬件故障，必须更换节点或 Amazon Elastic Block Store（Amazon EBS）卷。
• 节点不符合代理的 Amazon MSK 性能 SLA，必须更换该节点以获得最佳性能。

请注意，Amazon MSK 是一项完全托管的服务。因此，代理拥有自我管理的工作流程，可以自行执行纠正措施，例如在出现故障的情况下更换节点。当代理中的 Amazon EBS 卷运行状况不正常时，Amazon MSK 会观察该卷的状态一段时间。如果该卷在这段时间内恢复正常运行，则不执行任何操作。如果该卷这段时间后仍然无法正常运行，则 Amazon MSK 会自动替换此卷。当 Amazon MSK 执行这些操作时，集群将进入“正在修复”状态。但是，只要您遵循最佳实践，这并不会影响 Amazon MSK 集群的可用性。即使代理处于“正在修复”状态，集群也可以处理来自生产者和消费者的请求。

在极少数情况下，您的集群可能会进入永久性“正在修复”状态。这可能是由于以下原因导致的：

• 集群上的工作负载很高，代理不断被更换。若要避免此问题，最佳做法是不要使用 t3.small 实例托管生产集群。如果您使用的是 m5 实例，请确保为集群选择了正确的大小。您可以根据工作负载和监控 CPU 使用率来确定集群的大小。此外，请确保每个代理的分区数均不超过建议值。
• 自动扩缩组无法启动新实例。这可能是由于内部问题或缺少依赖关系导致的。例如，在集群创建期间指定的 AWS Key Management Service（AWS KMS）密钥可能无法再访问。
• 罕见的内部事件影响了底层 Amazon Elastic Compute Cloud（Amazon EC2）实例的可用性或在可用区或 AWS 区域导致了 Amazon EBS 延迟。

如果您的集群处于非负载引起的永久性“正在修复”状态，请联系 AWS Support。

相关信息

集群状态