Perceus构建的Scientific Linux6.9集群安装Condor后SSH超时修复咨询

这种情况我之前在类似的Scientific Linux 6.9集群环境里遇到过，大概率是Condor安装后改动了SSH的超时配置，或是Condor的网络相关规则干扰了SSH的长连接。结合你的环境（Perceus构建的集群、vnfs中安装Condor），给你几个针对性的排查和解决步骤：

1. 检查并调整SSH服务端超时配置 #

Condor安装过程中可能会修改sshd_config的默认参数，导致连接超时。

• 编辑SSH服务端配置文件：

  vi /etc/ssh/sshd_config
  

• 找到以下参数，调整为如下值（如果参数被注释，取消注释后修改）：
  • ClientAliveInterval 60：服务端每60秒向客户端发送一次心跳包，确认连接存活
  • ClientAliveCountMax 3：连续3次未收到客户端回应才断开连接
  • TCPKeepAlive yes：开启TCP层面的心跳检测，避免中间网络设备主动断开连接
• 重启SSH服务使配置生效：

  service sshd restart
  

注意：因为你是在vnfs镜像中做的修改，完成后需要用Perceus的vnfs update命令将更新后的镜像同步到所有集群节点，再重启节点确保配置生效。

2. 排查Condor的网络配置干扰 #

Condor自身的网络优化或防火墙规则可能会限制SSH的长连接：

• 查看Condor主配置文件/etc/condor/condor_config，检查是否有FIREWALL_RULES、NETWORK_INTERFACE等配置，确认没有对SSH端口（22）设置连接超时或拦截规则
• 检查系统iptables规则，确认没有针对SSH连接的超时限制：

  iptables -L -n -v
  

  如果发现带有--timeout参数的SSH相关规则，可调整超时时间或直接移除该规则
• 查看Condor日志目录/var/log/condor/下的日志文件，排查是否有Condor组件主动终止SSH连接的记录

3. 客户端临时验证（快速定位问题） #

如果暂时没法修改服务端配置，可以先在SSH客户端开启心跳，验证是否是服务端超时导致的问题：

• 编辑客户端的SSH配置文件~/.ssh/config（如果没有则创建），添加以下内容：

  Host *
    ServerAliveInterval 60
    ServerAliveCountMax 3
  

  这样客户端会每60秒向服务端发送心跳包，避免被断开。如果此方法有效，就可以确定是服务端的超时配置问题，再回到步骤1做永久修改。

4. 调整系统TCP内核参数 #

Scientific Linux 6.9的内核TCP参数可能被Condor修改，导致长连接提前断开：

• 查看当前TCP keepalive参数：

  sysctl net.ipv4.tcp_keepalive_time net.ipv4.tcp_keepalive_intvl net.ipv4.tcp_keepalive_probes
  

• 如果参数值过小（比如tcp_keepalive_time小于3600秒），调整为更合理的值：

  sysctl -w net.ipv4.tcp_keepalive_time=300
  sysctl -w net.ipv4.tcp_keepalive_intvl=60
  sysctl -w net.ipv4.tcp_keepalive_probes=3
  

• 将这些参数写入/etc/sysctl.conf，确保系统重启后参数依然生效：

  echo "net.ipv4.tcp_keepalive_time=300" >> /etc/sysctl.conf
  echo "net.ipv4.tcp_keepalive_intvl=60" >> /etc/sysctl.conf
  echo "net.ipv4.tcp_keepalive_probes=3" >> /etc/sysctl.conf
  

5. 确认Perceus vnfs镜像同步 #

所有配置修改完成后，务必确保vnfs镜像的更新同步到集群节点：

• 执行Perceus命令更新节点镜像：

  perceus vnfs update <vnfs-name>
  

• 重启集群节点使新配置生效：

  perceus node reboot <node-name>
  

内容的提问来源于stack exchange，提问作者김연경