宿主机单点故障致九台虚拟机集体失联：虚拟化环境的三大盲区与恢复实践

1. 事件全景：9台虚拟机一夜之间集体失联

1.1 第一个电话：不是一台，而是九台

那天早上七点出头，手机就开始震。先是值班同事打来的，语气还算平稳，说监控平台上有一大片红色告警，好几台服务器同时失联。我当时还以为是网络交换机出了问题，随口问了句"几台"，他说"数了一下，九台，全没了"。这句话让我一下子清醒了。

九台服务器同时掉线，放在物理机时代几乎不可能，除非机房断电或者核心交换机挂了。但我们的环境是虚拟化平台，九台虚拟机跑在一台物理宿主机上，这种"集体罢工"其实指向一个很明确的方向：宿主机出事了。赶到电脑前一看，vCenter登录倒是正常，可那台ESXi主机状态已经是"无响应"，上面九台虚拟机全部显示"不可用"。那一刻的感觉，就像你租了一整层办公楼，结果楼塌了，里面所有公司都得停工。服务器是虚拟的，惊魂却是实实在在的。

1.2 虚拟化的基本盘：宿主机和虚拟机的"一荣俱荣"

先说清楚一个基础概念，方便还没怎么接触虚拟化的朋友理解。虚拟化就是把一台物理服务器的CPU、内存、磁盘、网络，通过Hypervisor层切成很多份，每一份就是一台虚拟机。虚拟机里的系统看到的"硬件"是虚拟出来的，但它跑起来依赖的资源，全部来自底下那台物理宿主机。

所以虚拟化环境里有一个铁律：宿主机健康，上面的虚拟机才能健康；宿主机一倒，上面所有虚拟机一起倒。这个特性既是虚拟化的优势，也是它的命门。优势在于资源利用率高、部署快、迁移方便；命门在于，如果规划不当，一台宿主机就可能成为整个业务链的单点故障。我们这次就是踩在这个命门上。

那台出问题的宿主机配置并不低，双路CPU、512GB内存、两块480GB的SSD做系统盘，外加一张RAID卡挂载了八块10TB机械盘，承载的九台虚拟机里有四台生产业务、三台测试环境、两台内部工具。平时跑得一直很稳，谁也没想到它会以这么激烈的方式"刷存在感"。

2. 复盘三个盲区：为什么虚拟化环境也会"集体罢工"

2.1 盲区一：单台宿主机承载全部业务，HA和DRS没发挥作用

事后复盘，第一个要正视的问题就是：我们当时并没有给这九台虚拟机配置任何跨宿主机的保护机制。VMware环境里有两个非常关键的功能，一个叫HA（高可用），一个叫DRS（分布式资源调度）。

HA的作用是：当一台宿主机意外宕机时，集群里的其他宿主