Home

VMware vSphere 故障排查实战系列：DRS 不均衡调度原理与诊断（12）

1280字 预计阅读时间：6.4分钟 VMware

我最近在看一篇关于 DRS 的排查文章，里面有一个点我很认同：很多“DRS 不均衡”的现场，不是 DRS 坏了，而是我们把“看起来不均衡”和“值得迁移”混在了一起。

这篇我按自己的实战习惯整理成一版，重点放在三件事：

  1. DRS 到底按什么逻辑判定要不要迁移
  2. 什么配置最常导致“看起来不工作”
  3. 出问题后怎么快速定位，不靠拍脑袋

一、先统一认知：DRS 不是“均分 CPU 百分比”

DRS（Distributed Resource Scheduler）做的是集群级的资源调度，核心能力有三个：

  • 初始放置：虚拟机开机时选目标主机
  • 持续均衡：运行中根据负载变化给出或执行迁移
  • 维护联动：主机进维护模式时配合迁移虚拟机

它默认按周期评估（常见是约 5 分钟），不是每秒钟盯着图表自动迁移。

实际判断里，DRS 看的是收益与代价，而不是“谁 CPU 高谁就一定要动”。

二、为什么你觉得不均衡，但 DRS 不迁

典型场景是 A 主机 80%+，B 主机 20% 左右，但 DRS 没动。常见原因如下：

1）自动化级别不对

如果集群设成 Manual 或 Partially Automated，DRS 可能只提建议，不自动执行迁移。

2）Migration Threshold 太保守

阈值偏保守（例如 1-2）时，小到中等不均衡可能被判定为“不值得迁”。

3）规则限制了可迁移空间

Affinity / Anti-Affinity 规则、VM/Host Rule、VM Override 都可能让 DRS 无法选出满足约束的目标。

4）目标主机不满足条件

例如目标主机资源不足、处于维护模式、EVC/CPU 兼容条件不满足，DRS 会放弃这次迁移。

5）业务视角和 DRS 视角不一致

运维常盯的是主机利用率；DRS 还会考虑虚拟机活跃内存、迁移成本、短时波动是否会自愈。

所以有些“看起来难受”的分布，在 DRS 看来仍是可接受状态。

三、排查顺序

这个顺序的目标是：先排配置，再看限制，最后进日志。

步骤 1：先看集群 DRS 基础配置

检查项：

  • Automation Level 是否 Fully Automated
  • Migration Threshold 是否过保守
  • DRS 是否处于启用状态

步骤 2：看规则和单 VM 覆盖

检查项：

  • VM/Host Rules 是否限制了迁移路径
  • VM Overrides 是否把关键 VM 设成了 Manual 或 Disabled

步骤 3：看 DRS Faults / Recommendations / History

重点看：

  • 当前为什么不给建议（或建议不可执行）
  • 历史上有没有频繁建议但失败
  • 是否存在“同一类失败反复出现”（资源不足、兼容性问题、规则冲突）

步骤 4：看 EVC 与跨代 CPU 兼容

如果集群有不同代际 CPU，又没正确配置 EVC，vMotion 成功率会受影响，DRS 自然会变保守。

步骤 5：必要时进 vCenter DRS 日志

定位困难场景建议看 vCenter 上的 DRS 决策日志目录（按版本路径可能略有差异）：

/var/log/vmware/vpxd/drmdump/<cluster>/

这里能看到 DRS 每轮评估时的决策依据，适合处理“UI 看不清、规则又复杂”的集群。

四、实战里的几个误区

误区 1：把“有波动”当“有故障”

短时热点不一定要迁；频繁迁移本身也有代价（尤其是业务敏感时段）。

误区 2：阈值一把拉到激进

阈值过激进会增加 vMotion 频率，可能换来“表面更均衡，业务抖动更多”。

误区 3：规则越多越安全

规则越多，DRS 决策空间越小。规则应服务业务边界，而不是把调度器锁死。

五、可直接落地的调优建议

给一个我比较常用的保守起步方案：

  1. 生产集群优先 Fully Automated
  2. Migration Threshold 从默认中间档起步（先观察，不急着拉满）
  3. 关键数据库类 VM 用 VM Override 做定向约束
  4. 跨代 CPU 集群提前把 EVC 策略定好
  5. 定期复核规则，删掉历史遗留但已无业务意义的约束

六、一份排障清单

问题：DRS 看起来不均衡

1. 集群 DRS 是否启用？
2. Automation Level 是否 Fully Automated？
3. Migration Threshold 是否过保守？
4. VM Overrides 有没有禁用/半自动的虚拟机？
5. VM/Host Rules 是否造成冲突？
6. DRS Faults 有没有明确报错？
7. 目标主机资源是否满足迁移条件？
8. EVC/CPU 兼容性是否满足？
9. 历史建议是“无建议”还是“建议失败”？
10. 必要时看 drmdump 日志确认决策原因

结语

DRS 的核心不是“看到不均衡就迁”，而是“在约束条件下做收益更高的调度”。

只要把配置、规则、兼容性和日志这四层捋顺，绝大多数“DRS 不工作”的问题都能落地定位。

参考：微信原文《VMware vSphere 故障排查实战系列-DRS 不均衡?调度原理与诊断（12）》

VMware vSphere DRS vMotion 故障排查