我们踩过的5个坑，你千万别再踩了——许可回收避雷贴

周末在家翻这两年的故障台账，光许可相关的问题就记了满满半本。

翻到最厚的那一页，是去年三月份的一次事故，我到现在还记得那个下午。那天本来一切正常，突然全公司研发集体掉线，连License Server都ping不通了。我冲到机房一看，那台老戴尔服务器的系统盘亮着红灯，整个机器卡死不动了。强制重启之后系统倒是起来了，但flex服务起不来，报错说“license file format error”。我打开license.dat一看，文件还在，但里面所有的FEATURE行全部变成了乱码，像被人用二进制编辑器改过一样。后来找了数据恢复工具把前一天的系统备份挂上才把文件救回来。那次停摆了整整三个小时，一百多号人干坐着，老板没说话但脸黑得跟锅底一样。台账里当时只记了“磁盘坏道导致文件损坏，已更换硬盘”，但有个隐藏细节我那时候没写——那台服务器已经跑了六年没换过盘，而且我明知道SMART报警了两个月，一直懒得去处理，总觉得“还能撑撑”。现在想起来真想抽自己一巴掌。

翻到后面我发现这三年踩的坑其实绕来绕去就那么几类，我挑五个典型的说，每一类都是真金白银换来的教训。

第一类坑就是上面说的硬件单点。我那台老服务器连RAID都没做，系统盘就一块机械硬盘，坏了就全完蛋。后来我学了乖，所有License Server必须做RAID1镜像盘，而且系统盘和数据盘分开。但这还不够，台账里没写的隐藏细节是，光是RAID也不保险，因为有一次我们RAID卡固件bug导致两块盘同时掉线，照样崩。最后我现在的做法是每天凌晨3点自动把license.dat和option文件打包传到另一台备机上，那台备机平时不干活，就等着接盘。一旦主服务器挂了，改个IP地址三分钟就能切过去，我实测过。

第二类坑是回收阈值设得太激进。我最早做自动回收的时候，把空闲超时设成了10分钟，结果那天下午我的电话就被打爆了，全是工程师骂娘的，说仿真跑着跑着就被踢了。后来一查才发现，那帮做结构仿真的设置完参数点提交之后，经常切出去画图纸，CPU在那跑着但他们键盘鼠标确实是闲着的。我的回收逻辑只判断了键鼠空闲，没判断CPU状态，活该被骂。台账里写的是“回收阈值调整至25分钟并增加CPU判定”，但隐藏细节是我后来把不同工种的阈值彻底拆开了，画图的20分钟，仿真的45分钟，做后处理的30分钟，每个组单独配一套策略，再也不搞一刀切了。

第三类坑是日志从不清理导致磁盘爆满。我们有次FlexNet服务莫名其妙变慢，lmstat敲下去要等好几分钟才出结果，查了半天才发现那个debug.log文件已经长到了15个G，整块盘就剩几百兆空间。日志写入都要排队，整个服务被拖得跟蜗牛一样。台账里当时记了“清理日志文件并设置自动轮转”，但我漏写了一个细节——FlexNet的日志轮转不是改个配置就行的，必须配合操作系统的logrotate或者自己写脚本按天切割。我现在用的是每天凌晨切一刀，保留最近30天的，超过的自动删，再也没被磁盘撑爆过。

第四类坑是版本升级之后配置文件语法变了。有次我从FlexNet 11.12升到11.16，原来的option文件里用了几个旧版本的保留字，新版本不认了，重启服务直接报错起不来。台账里记的是“升级前未检查配置文件兼容性”，隐藏细节是后来我学了一招，每次升级之前在测试环境先把配置文件用新版本的lmutil做一遍语法检查，通过了我才敢动生产环境。这步加上了之后再也没出过升级翻车的事。

第五类坑是做回收之前没有通知用户就直接上线。虽然技术上合法合规，但人心里接受不了，第二天就被投诉“我的东西被系统偷走了”。台账写的是“上线前应发公告”，但隐藏细节是我后来养成了个习惯，第一周开观察模式只记录不回收，第二周发邮件预告要开，第三周才正式启用，三步走完之后没有人再说被“偷袭”了。

现在我还坚持两个每周巡检的小习惯，雷打不动。第一个是每周一早上到工位第一件事，远程连上每台License Server敲一遍lmstat -a，看总数、在用数、空闲数三个数，截图存到一个文件夹里，万一哪天有问题方便查历史趋势。第二个是每周五下班前看一眼系统盘的剩余空间和CPU负载，顺手清一下过期日志，确保下周不带着炸弹过周末。

台账翻完了，我又记了几个新细节进去。