通过Terraform创建的自定义镜像RHEL8虚拟机在Ansible配置阶段出现SSH超时断连问题

看起来你遇到了一个挺头疼的批量部署问题——用Terraform建好7台基于自定义RHEL8镜像的VM后，Jenkins调用Ansible做配置时，总会有1-3台在12-13分钟左右掉链子，要么SSH连接超时，要么直接报管道破裂。结合微软支持工程师提到的NIC未正常关联，咱们可以从几个核心方向一步步排查解决：

一、先搞定NIC关联的基础问题 #

既然官方工程师已经点出NIC的问题，这是最优先要确认的环节：

• 验证Terraform中NIC与VM的绑定逻辑：检查你的Terraform代码，确保每台VM的NIC都正确关联到指定子网、NSG，且没有重复绑定的情况。可以在代码里加个输出，打印每台VM的NIC ID和状态；或者在Jenkins流水线里加一步，用az network nic show --ids <nic-id>命令批量验证所有NIC的状态，必须确认所有NIC都是「已关联」状态后，再触发Ansible配置。
• 复查NSG规则：虽然你说NSG已经建好，但还是要再核对一遍：入站规则里有没有放开22端口给Jenkins/Ansible控制节点的IP？出站规则有没有允许VM访问必要的资源（比如yum源、Ansible控制节点的反向连接）？可以临时把SSH的入站源放宽到0.0.0.0/0测试，排除NSG拦截的可能性。

二、优化SSH连接与超时配置 #

SSH断连大概率和超时设置、服务稳定性有关：

• 调整Ansible的超时参数：默认的SSH超时时间可能不够用，在ansible.cfg里把timeout改成120甚至更长；同时在playbook开头加一步等待SSH就绪的任务，避免VM还没完全初始化就发起连接：

  - name: 等待VM SSH服务稳定
    wait_for_connection:
      timeout: 300  # 最多等5分钟
  

• 检查VM内部的SSH配置：如果能手动登录断连的VM，去看/var/log/secure日志，排查SSH服务有没有崩溃。另外，自定义镜像里的/etc/ssh/sshd_config可能有严格的超时设置，建议调整：

  ClientAliveInterval 60  # 每分钟发一次心跳
  ClientAliveCountMax 10  # 连续10次没响应才断开
  

  修改后重启sshd服务：systemctl restart sshd。

三、解决批量VM的初始化延迟问题 #

Terraform显示VM「运行中」不代表OS内部初始化完成，这也是常见的坑：

• 在Terraform里加SSH就绪等待：用null_resource配合本地命令，循环检测每台VM的22端口是否开放，确认所有VM都能正常SSH后再往下走：

  resource "null_resource" "wait_for_all_ssh" {
    count = 7
    provisioner "local-exec" {
      command = "until nc -zv ${azurerm_linux_vm.vm[count.index].private_ip_address} 22; do sleep 10; done"
    }
    depends_on = [azurerm_linux_vm.vm]
  }
  

• 排查自定义镜像的问题：换官方的RHEL8镜像创建一台VM测试，如果不会断连，那问题肯定出在你的自定义镜像上。检查镜像里的网络配置（比如NetworkManager状态）、是否安装了Azure代理（waagent），有没有残留的异常脚本导致网络不稳定。

四、优化Jenkins+Ansible的流水线逻辑 #

批量任务本身就容易出问题，拆分和重试能提升稳定性：

• 分批次执行Ansible任务：不要一次性对7台VM跑所有配置，分成2-3批执行，降低单批次的连接压力。
• 给关键任务加重试机制：在Ansible playbook里给容易失败的任务加上重试，比如：

  - name: 执行配置脚本
    shell: /path/to/your/script.sh
    retries: 3
    delay: 60
    register: task_result
    until: task_result is succeeded
  

备注：内容来源于stack exchange，提问作者devopsguy