堵住 journald 日志风暴：一次根分区写满的定位与根治

Tue, 01 Sep 2026 07:00:00 +0800

问题背景

2026 年 8 月底，公司核心堡垒机（跳板机）上线后，运维账号收口进入收尾阶段。所有生产服务器的直连 MySQL/SSH 端口已通过跳板白名单收敛，现场 DBA 与应用运维只能通过堡垒机操作。

9 月 1 日凌晨 03:17，监控告警突然涌入：「堡垒机根分区使用率 100%」「journalctl 命令卡死」「systemctl status 全部超时」。此时正值双节前变更窗口，任何服务中断都可能影响次日业务恢复演练。

堡垒机采用 Rocky Linux 9.4 + systemd 252，journald 默认配置，历史从未出现过日志写满问题。为什么突然在凌晨暴发？

故障现象

根分区写满：df -h / 显示 /dev/mapper/rl-root 已用 48G/48G（100%），可用 0。
journalctl 完全失效：执行 journalctl -u sshd 直接卡死，无任何输出，Ctrl+C 也无响应。
systemctl 全部超时：systemctl status、systemctl list-units 全部卡在「systemd-journald」等待。
堡垒机 Web 界面无法登录：堡垒机自身也通过 systemd 管理，journald 卡死导致认证日志无法写入，Web 登录接口直接 502。
仅影响堡垒机：其他生产服务器（MySQL/Redis/K8s 节点）均正常，确认是单机问题。

此时已无 SSH 登录堡垒机，只能通过 IPMI/iLO 进入紧急模式（单用户模式）排查。

排查过程

步骤 1：紧急模式下确认磁盘占用

通过 IPMI 进入单用户模式后，先检查大文件：

1
2

du -sh /var/log/journal/* 2>/dev/null | sort -h | tail -5
# 输出：48G    /var/log/journal/xxxxxxxx

确认罪魁祸首是 systemd journal 日志目录，占用整个根分区。

步骤 2：检查 journald 配置与 RateLimit

`1`	`cat /etc/systemd/journald.conf`

关键配置：

[Journal]
Storage=auto
Compress=yes
# RateLimitBurst=1000
# RateLimitInterval=30s
SystemMaxUse=4G
SystemKeepFree=1G
MaxRetentionSec=30day

RateLimit 已被注释！默认值 RateLimitBurst=10000、RateLimitInterval=30s 形同虚设。

步骤 3：检查近期崩溃的服务

`1`	`journalctl --list-boots \| tail -10`

发现 8 月 31 日 23:50 开始，堡垒机上的「堡垒机 Agent」（自研 Python 服务，负责审计日志转发与命令录像）出现连续崩溃：

systemctl status fortress-agent
# Active: failed (Result: start-limit-hit)
#   Process: 12345 ExecStart=/opt/fortress/agent.py (code=exited, status=1/FAILURE)
# Main PID: 12345 (code=exited, status=1/FAILURE)

该服务配置：

[Service]
Restart=always
RestartSec=1
StartLimitBurst=100
StartLimitIntervalSec=60

致命组合：Restart=always + RestartSec=1 + StartLimitBurst=100 导致 60 秒内 100 次崩溃循环，每秒写 100+ 条 journal 日志，瞬间打满磁盘。

步骤 4：验证日志轮转缺失

1
2

ls -lh /var/log/journal/*/system.journal
# -rw-r----- 1 root root 48G Sep  1 03:15 system.journal

journald 默认只保留一个 system.journal，没有配置 SystemMaxFiles 与 MaxFileSec，导致单文件无限增长。

解决方案

紧急止血（单用户模式）

停止崩溃服务，防止继续写日志：

1
2

systemctl stop fortress-agent
systemctl reset-failed fortress-agent

清理 journal 日志（保留最近 2 天）：

1
2

journalctl --vacuum-time=2d
# 删除 46G 日志，根分区恢复可用空间 46G

重启 journald，使配置生效：

`1`	`systemctl restart systemd-journald`

验证 journalctl 恢复：

1
2

journalctl -u sshd --since "1 hour ago" | tail -5
# 正常输出日志

根治配置（持久化）

编辑 /etc/systemd/journald.conf：

[Journal]
Storage=persistent
Compress=yes
# 速率限制（防日志风暴）
RateLimitBurst=1000
RateLimitInterval=30s
# 磁盘配额（单文件 + 总量）
SystemMaxUse=2G
SystemMaxFileSize=256M
SystemKeepFree=2G
MaxFileSec=1day
MaxRetentionSec=14day
# 防止单服务刷屏
ForwardToSyslog=no
ForwardToKMsg=no

编辑 /etc/systemd/system/fortress-agent.service（关键）：

[Service]
Type=simple
ExecStart=/opt/fortress/agent.py
Restart=on-failure          # 改为 on-failure，exit 0/1 不自动重启
RestartSec=10               # 间隔拉长到 10 秒
StartLimitBurst=5
StartLimitIntervalSec=300   # 5 分钟内最多 5 次重启

重载 systemd 并重启服务：

1
2
3

systemctl daemon-reload
systemctl restart fortress-agent
systemctl enable fortress-agent

验证与监控

确认 journald 不再无限增长：

1
2

du -sh /var/log/journal
# 应稳定在 1.8G 左右（2G 配额）

添加 Prometheus 监控（堡垒机已有 node_exporter）：

# /etc/prometheus/rules/fortress.rules
- alert: JournalDiskUsageHigh
  expr: node_filesystem_avail_bytes{mountpoint="/"} / node_filesystem_size_bytes{mountpoint="/"} < 0.2
  for: 5m
  labels:
    severity: critical
  annotations:
    summary: "堡垒机根分区可用空间低于 20%"

堡垒机 Agent 增加健康检查与退出码规范：非致命错误（网络抖动）返回 0，致命错误（配置错误）返回 1，避免 Restart=always 无限循环。

根因分析

直接原因：堡垒机 Agent 在 8 月 31 日 23:50 因堡垒机白名单收口后「审计日志转发接口 403」导致持续崩溃，Restart=always + RestartSec=1 触发 100 次/分钟的 journal 写入风暴，单文件无上限增长打满根分区。

深层原因：

journald 默认配置「宽松」：RateLimit 被注释，SystemMaxUse 未限制，日志轮转缺失。
服务配置「激进」：Restart=always + RestartSec=1 在生产环境极度危险，一旦崩溃即日志雪崩。
缺少「变更门禁」：堡垒机 Agent 上线后，未在白名单收口场景下做兼容性测试，直接暴露在生产环境。

预防措施

journald 硬配额：所有生产服务器统一配置 SystemMaxUse=2G、MaxFileSec=1day，防止单服务刷屏。
服务重启策略收紧：Restart=on-failure + RestartSec≥10 + StartLimitBurst=5，关键服务必须加 StartLimitAction=reboot（最后手段）。
日志监控前置：Prometheus + Alertmanager 监控 node_filesystem_avail_bytes 与 journalctl --disk-usage，阈值 80% 即告警。
变更演练门禁：堡垒机/Agent 类「基础设施变更」必须在「白名单收口」场景下做 48 小时灰度演练，确认无日志风暴后再全量。
应急手册：更新「根分区写满应急手册」，明确「单用户模式 → journalctl –vacuum-time → journald.conf 硬配额」三步走流程，演练频次每季度一次。

总结

一次「堡垒机 Agent 403 错误」引发的服务崩溃，本应是「小事」，却因 journald 配置缺失 + 服务重启策略激进，演变为「根分区写满 + 堡垒机全站瘫痪」的生产事故。

教训：基础设施服务（journald/systemd）必须「有上限、有节流、有监控」，任何「无限循环 + 无限制写入」都是定时炸弹。堡垒机作为「最后一道门」，更应在变更前做「最坏场景演练」。

下次堡垒机白名单收口变更前，将先执行「journald 配额 + Agent 重启策略收紧 + 48 小时灰度」三道门禁，确保不再重演。

Journald on Zero Day Notes