PVE HA Watchdog 暫時停用方法

Jason Cheng 發布 2026.03.30 瀏覽 1 次

本文目錄

Watchdog 與 HA 的運作
使用時機
一般維護的正確做法：維護模式
方法一：停止 HA 服務
方法二：HA 資源設為 ignored
方法三：停用 softdog 模組（不建議）
方法比較
根本原因要處理
補充：PVE 9.2 起的官方作法
結論
參考資料

Proxmox VE 叢集開了 HA 之後，每個節點都會由 watchdog 盯著：一旦節點和叢集失去連線（失去 quorum），watchdog 時間到就會強制重新開機，這叫自我隔離（self-fencing），目的是確保同一台 VM 不會在兩個地方同時跑起來。

這個機制平常是在保護你，但遇到叢集網路本身出問題的時候，就會變成節點一直被踢重開機，問題還沒查完機器又重開了。這篇整理暫時停用 watchdog 的幾種方法。

注意：本文的做法只適用於特殊狀況（例如叢集網路異常、正在調整 corosync），不應該當成常用手法。停用期間 HA 完全不會保護你的服務，任何節點故障都不會自動移轉，處理完務必立刻恢復。

Watchdog 與 HA 的運作

先了解一下機制，才知道每種方法停掉的是什麼：

pve-ha-crm（Cluster Resource Manager）
整個叢集只有一台是主控，負責決定 HA 資源要放在哪個節點
pve-ha-lrm（Local Resource Manager）
每個節點都有，負責在本機啟動、停止 HA 資源
watchdog-mux
管理 watchdog 裝置，預設使用核心的 softdog 模組；有設定硬體 watchdog 的話用硬體的

LRM 有 HA 資源要管時會進入 active 狀態並開啟 watchdog，之後要定期「餵狗」。節點失去 quorum 就沒辦法再更新狀態，大約 60 秒後 watchdog 到期，節點被強制重新開機。沒有 HA 資源的節點，LRM 會停在 wait_for_agent_lock（閒置）狀態，不會開啟 watchdog，所以沒設 HA 的叢集不會有這個問題。

查看目前狀態：

ha-manager status
systemctl status pve-ha-lrm pve-ha-crm watchdog-mux
pvecm status

使用時機

叢集網路（corosync）不穩，節點反覆失去 quorum、一直被重新開機
需要調整 corosync 設定、更換叢集網路，過程中一定會短暫斷線
整個叢集要一起停機維護

單一節點的一般維護（更新、重新開機）不需要停 watchdog，用下面的維護模式就好。

一般維護的正確做法：維護模式

單台節點要維護時，用 HA 的維護模式，HA 資源會自動移轉到其他節點，節點本身也不會被隔離：

# 進入維護模式，HA 資源會移到其他節點
ha-manager crm-command node-maintenance enable pve1

# 確認資源都移走了
ha-manager status

# 維護完成後解除
ha-manager crm-command node-maintenance disable pve1

也可以在「資料中心 → 選項 → HA 設定」把關機原則（shutdown policy）設為 migrate，節點正常關機或重新開機時就會先把 HA 資源移走。

方法一：停止 HA 服務

叢集網路出問題、節點一直被重新開機時，這是最快的暫時解法。

順序很重要：先在「所有節點」停 LRM，再到所有節點停 CRM。

# 第一步：所有節點都執行
systemctl stop pve-ha-lrm

# 第二步：所有節點的 LRM 都停了之後，再到所有節點執行
systemctl stop pve-ha-crm

LRM 正常停止時會關閉 watchdog，已經在執行的 VM/CT 不受影響，只是 HA 不再管理它們。順序反過來的話，CRM 先停、LRM 還在跑，LRM 仍然開著 watchdog，節點一樣可能被重新開機。

問題處理完之後恢復，同樣每個節點都要做：

systemctl start pve-ha-lrm pve-ha-crm
ha-manager status

注意：重新開機後 HA 服務會自動啟動，所以這個方法只在這次開機期間有效。如果節點在處理過程中重新開機，要再停一次。

方法二：HA 資源設為 ignored

把所有 HA 資源的要求狀態改成 ignored，HA 就會暫時不管它們，LRM 沒有資源要管，閒置後就會釋放 watchdog：

# 列出所有 HA 資源
ha-manager config

# 逐一設為 ignored
ha-manager set vm:101 --state ignored
ha-manager set ct:201 --state ignored

# 一次全部設為 ignored
for sid in $(ha-manager config | awk '/^(vm|ct):/{print $1}'); do
    ha-manager set "$sid" --state ignored
done

設定後要等一段時間（大約數分鐘）LRM 才會回到閒置狀態，用 ha-manager status 確認每個節點的 LRM 不再是 active，watchdog 才算真的釋放。

恢復時改回原本的狀態（通常是 started）：

ha-manager set vm:101 --state started

這個方法的好處是設定存在叢集設定裡，節點重新開機也不會失效；缺點是要記得每個資源原本的狀態，恢復時要一個一個改回去，建議先把 ha-manager config 的輸出存下來。

方法三：停用 softdog 模組（不建議）

網路上也有人把 softdog 加入黑名單：

echo "blacklist softdog" > /etc/modprobe.d/blacklist-softdog.conf
update-initramfs -u
reboot

我不建議這樣做：

這等於把 HA 的安全機制整個拆掉，watchdog-mux 會無法正常運作，HA 根本不能用
需要重新開機才生效，恢復時也要再重新開機
很容易做完就忘了改回來，之後以為 HA 有在保護，其實沒有

如果真的用了，處理完務必刪掉 /etc/modprobe.d/blacklist-softdog.conf，重新執行 update-initramfs -u 並重新開機。

方法比較

方法	生效時間	重新開機後	恢復方式	建議
維護模式	資源移完即可	維持	`node-maintenance disable`	單一節點一般維護
停止 HA 服務	立即	失效	啟動服務	網路異常的緊急處理
資源設為 ignored	數分鐘	維持	逐一改回原狀態	需要跨越重新開機的維護
停用 softdog	重新開機後	維持	刪除黑名單並重新開機	不建議

根本原因要處理

停用 watchdog 只是讓你有時間處理問題，真正要解決的是叢集網路：

# 叢集與 quorum 狀態
pvecm status

# 各條 corosync 連線的狀態
corosync-cfgtool -s

# corosync 記錄，看是不是一直有 link down
journalctl -u corosync --since "1 hour ago"

幾個建議：

corosync 走獨立的網路，不要和儲存、備份、VM 流量共用，Ceph 或備份流量一大就會擠到 corosync
設定兩條以上的 corosync 連線（link0、link1），一條斷了還有另一條
交換器的 STP、LACP 設定變更也常常造成瞬斷，維護網路設備前先想想會不會影響 corosync

補充：PVE 9.2 起的官方作法

Proxmox VE 9.2（2026/05 發佈）新增了 HA 的 disarm 功能，可以一次釋放整個叢集所有節點的 watchdog，專門用在重新設定網路、調整 corosync 這類會造成 quorum 暫時中斷的維護：

# freeze：服務維持現狀，HA 不處理任何變化（所有節點都會在線上時用這個）
ha-manager crm-command disarm-ha freeze

# ignore：服務暫時脫離 HA 管理，可以手動啟動、停止、移轉
ha-manager crm-command disarm-ha ignore

# 查看狀態
ha-manager status

# 維護完成後恢復
ha-manager crm-command arm-ha

ha-manager status 會顯示 fencing 狀態，從 disarming 變成 disarmed 才代表所有 watchdog 都已釋放。跟前面的方法比起來，它不用逐台停服務、也不用一個一個改資源狀態，恢復時 HA 資源會回到原本的狀態，有升到 9.2 以上的話，建議改用這個。

但同樣的原則不變：disarm 期間 HA 不會保護任何服務，維護時間越短越好。