docs(wiki): PAT-010 pve-oom-frozen-guest + proxmox6 drift fixes (worker-05 placement, oversubscription known-issue)

2026-09-30 14:15:18 +00:00
parent a68665eca0
commit 531d6bfbdd
5 changed files with 68 additions and 5 deletions
@@ -3,7 +3,7 @@ title: Proxmox VE Cluster
 category: systems
 tags: [proxmox, virtualization, lxc, qemu, pve]
 created: "2026-04-28"
-modified: "2026-09-29"
+modified: "2026-09-30"
 ---

 # Proxmox VE Cluster
@@ -50,13 +50,17 @@ pvesh get /cluster/resources --type vm  # Alle VMs/CTs
 - Benötigte modprobe.d Config:
  - `blacklist amdgpu` + `blacklist drm` + `blacklist drm_kms_helper`
  - `options vfio-pci ids=1002:13c0` + `softdep amdgpu pre: vfio-pci`
- Worker-05 (VM 102) lief auf ms-a2-2 mit funktionierendem GPU-Passthrough. Seit 2026-09-29 auf proxmox6 (Anti-Collocation mit Worker-01). Prüfen ob GPU-Passthrough auf proxmox6 funktioniert!
+- Worker-05 (VM 102): GPU-Passthrough funktionierte historisch auf ms-a2-2 (identische Hardware). 2026-09-29 stand VM auf proxmox6 (OHNE GPU) wegen Anti-Collocation; seit 2026-09-30 hat HA die VM nach ms-a2-2 zurückplatziert (nach OOM-Freezer-Incident, siehe PAT-010). GPU-Status nach Return prüfen/renderD128 verifizieren. Hinweis: Die frühere node-affinity-Regel `na-vm102` (NICHT ms-a2-2) existiert live nicht mehr — nur noch resource-affinity (anti-colloc vs 128/139).

 ## Bekannte Probleme
 - CT110 kaputte libc — Reparatur ausstehend (still stopped)
 - osd.5 reweight 0.30 (kleine SSD, 150GB) — entlasten oder austauschen
 - osd.4 reweight 0.30 (kleine SSD, 227GB auf proxmox3) — gleiche Situation
- worker-04 (VM 139) NotReady im K8s Cluster — Node offline
+- **proxmox6 RAM-Oversubscription (STRUKTURELL):** ~28 GB Gast-Allokation
+  (VM301 8G + CT151 Frigate 8G [+ VM102-Rückkehr möglich 12G]) auf 16 GB
+  Host. Führte 2026-09-29/30 zu Doppel-OOM-Kill von VM102 (Zombie-VM,
+  PAT-010). Akut entschärft durch Laya-CT152-Migration nach proxmox3.
+  TODO: Placement-Ceiling (~70% RAM) + PSI/OOM-Alerts pro Node (CT141).

 ## HA Rules (PVE 9.2 Rules System)
 Seit 2026-09-28: HA Groups → Rules migriert. Anti-Collocation + Node-Affinity.
@@ -112,7 +116,7 @@ Seit 2026-09-29: RKE2 CP/Worker + Hermes hinzugefügt.
 | RKE2 CP-03 | 126 | proxmox4 |
 | RKE2 Worker-01 | 128 | proxmox5 |
 | RKE2 Worker-04 | 139 | n5pro |
-| RKE2 Worker-05 | 102 | proxmox6 |
+| RKE2 Worker-05 | 102 | ms-a2-2 (seit 30.09.; vorher proxmox6, davor ms-a2-2) |
 | Hermes-Agent-01 | 230 | n5pro |
 | Galera db1 | 300 | n5pro |
 | Galera db2 | 301 | proxmox6 |
@@ -22,7 +22,7 @@ modified: "2026-09-17"
 | cp-03 | 10.0.30.53 | Control Plane |
 | worker-01 | 10.0.30.63 | Worker |
 | worker-04 | 10.0.30.64 | Worker |
-| worker-05 | 10.0.30.65 | Worker (GPU renderD128 ✅ on ms-a2-2) |
+| worker-05 | 10.0.30.65 | Worker (GPU renderD128 ✅ on ms-a2-2; 30.09. OOM-Zombie-Freeze behoben, siehe PAT-010) |

 ## Storage
 - **Ceph CSI**: ceph-flash (fast/default), ceph-hdd-replica (bulk), cephfs, cephfs-ssd, ceph-media-ec