amazon-web-services - Ansible **偶尔**失败，主机无法访问 - 无法通过 ssh 连接到主机

Question

我们使用 ansible 将多个节点配置为一个集群。这些机器是在自定义 AWS 类似基础设施上创建的实例。
我们在不同的剧本上有大约一百个任务，它们在每个节点上执行。

问题是，我们收到零星的主机无法访问错误，并且 playbook 执行停止并出现以下故障:

TASK [common : install basic packages] *************************
fatal: [fqdn.for.a.node]: UNREACHABLE! => {"changed": false, "msg": "Failed to connect to the host via ssh.", "unreachable": true}

使用 -vvv 输出:

TASK [common : install basic packages] *******************************
task path: /jenkins/workspace/Cluster-Deployment/91/roles/common/tasks/install-basic-packages.yml:1
<fqdn.for.a.node> ESTABLISH SSH CONNECTION FOR USER: root
<fqdn.for.a.node> SSH: EXEC ssh -C -q -o ControlMaster=auto -o ControlPersist=60s -o StrictHostKeyChecking=no -o 'IdentityFile="id_rsa"' -o KbdInteractiveAuthentication=no -o PreferredAuthentications=gssapi-with-mic,gssapi-keyex,hostbased,publickey -o PasswordAuthentication=no -o User=root -o ConnectTimeout=600 -o ControlPath=/home/turkenh/.ansible/cp/ansible-ssh-%h-%p-%r fqdn.for.a.node '/bin/sh -c '"'"'( umask 77 && mkdir -p "` echo $HOME/.ansible/tmp/ansible-tmp-1466523588.96-210828884892875 `" && echo ansible-tmp-1466523588.96-210828884892875="` echo $HOME/.ansible/tmp/ansible-tmp-1466523588.96-210828884892875 `" ) && sleep 0'"'"''
failed: [fqdn.for.a.node] (item=[u'unzip']) => {"item": ["unzip"], "msg": "Failed to connect to the host via ssh.", "unreachable": true}

这是我们的 ansible.cfg 文件:

[defaults]
forks = 50
sudo_flags=-i
nocows=1

# do not check host key while doing ssh
host_key_checking = False
# use openssh not paramiko
transport = ssh
private_key_file = id_rsa
remote_user = root

请参阅下面的说明:

当我们尝试在失败后立即使用 ansible ping(使用 ansible ping 模块，而不是 ping shell 命令)该主机时，它会抛出相同的错误，但如果我们等待大约一分钟左右，我们可以 ping 它。

关于我们基于 AWS 的自定义基础设施，我们可以说明的是，不知何故，有时可能会出现一些零星的连接问题，这些问题不会超过 1-2 分钟。

尝试在 ansible.cfg 中将超时参数设置为一个大数字(即 600)，但没有帮助。

我们正在配置节点 ubuntu、redhat 和 suse，但无论操作系统如何，我们都会收到大约 20% 的概率出现此错误。

它与我的剧本中失败的任务不同，它只是随机失败。 (有时在设置模块中，有时在包模块中，...)

我们的ansible版本是2.1(安装了pip)，工作站的操作系统是Ubuntu 14.04

所以，我们需要的是，以某种方式对 ansible 说，如果您发现某个节点无法访问，请不要放弃失败。请等待一段时间或重试 n 次，然后放弃无法访问。我们应该怎么做？

Answer 1

正式回答您的问题:您可以使用 ansible_ssh_common_args="-o ConnectionAttempts=20" 增加库存文件中的 ssh 尝试次数.为问题主机、主机组或 all 指定它虚拟组(例如在 group_vars/all.yml 文件中)。

还有ssh_args配置选项，但我不想修改它，因为它会覆盖 ansible 默认的 ssh 参数。