PC1宕机后Geode集群整体失效 成员服务报网络分区错误

该问题是Apache Geode（或基于其二次开发的GemFire）集群默认的*网络分区检测（脑裂保护）*机制触发导致的，核心逻辑如下：

核心机制说明 #

Geode集群采用加权法定人数（Quorum）算法避免脑裂场景下的数据不一致：

• 默认权重规则：每个locator节点权重为10，每个server节点权重为1
• 集群正常服务的前提：存活节点总权重 ≥ 集群总权重的51%
• 未达法定人数时，集群会主动断开所有客户端连接（包括gfsh连接），停止对外服务，但节点进程不会主动退出，等待法定人数满足后自动恢复

场景匹配分析 #

你当前的集群总共有2个locator、2个server，总权重为 10+10+1+1=22，法定人数阈值为 22*51%≈11.22，即存活节点权重需要≥12才能维持集群正常运行。

关闭PC2时PC1正常的原因 #

你是按PC1先启动、PC2后启动的顺序搭建集群，初始启动时PC1的locator1、server1先组成集群，此时集群的存活权重为10+1=11，满足初始集群的法定人数要求。PC2节点加入后总权重更新为22，但由于最先启动的locator1（集群协调者节点）在PC1侧，当PC2离线后，协调者会判定PC2侧的节点失联，剩余PC1侧的节点在协调者存在的场景下会被判定为合法分区，可继续对外服务。

关闭PC1时PC2服务中断的原因 #

PC1离线后，PC2侧仅剩下locator2+server2，总权重为10+1=11，未达到12的法定人数阈值，因此触发网络分区保护逻辑：

• 主动断开所有gfsh、业务客户端连接
• 打印报错日志：Membership Service Failure: Exiting due to possible network partition event due to loss of 2 cache processes
• 节点进程保留但不对外提供服务，直到PC1侧节点重新上线，总权重满足阈值后恢复服务

修复方案 #

• 生产环境建议：新增第三个locator节点，将locator总数变为奇数，此时任意1台PC离线，至少还有2个locator存活，满足超过半数的法定人数要求，不会触发分区熔断
• 测试环境临时方案：修改gemfire.properties配置，添加enable-network-partition-detection=false关闭网络分区检测，注意该配置会导致脑裂数据不一致风险，禁止在生产环境使用
• 双节点集群适配方案：手动调高PC1侧locator的权重为11，调整后总权重为23，法定阈值为12，PC1侧总权重为11+1=12刚好达标，PC2侧为10+1=11不达标，符合你当前的容灾预期

内容的提问来源于stack exchange，提问作者Michael Thoresen