运维老鸟告诉你这个经典Zookeeper问题的根因 - 运维
大家好,我是一名有着近二十年工作经验的运维老鸟。
你问运维干什么的?呵呵…运维就像三国里的军师,擅长排兵布阵,能够运筹帷幄,统筹大局。再烂的系统,运维也能玩得转!
你说什么?重启能够解决运维90%的问题?
嗯…嗯…其实…你说的对!重启能够解决90%的问题,如果不行的话…那就再重启一次试试!
好吧,看看大家眼中的运维是什么样的吧:
至于我对运维的理解…给大家讲讲我们最近解决的一个小问题吧。
一、问题缘由
最近从业务部门纳管了一批ZooKeeper集群,在对纳管集群进行巡检的时候,发现其中一个5节点的集群存在两个leader节点的情况。经与业务部门确认,该集群影响多个重要业务系统,所以在处理问题的时候既要保证ZooKeeper集群能够恢复正常服务,又需要确保所有的业务数据不能丢失。
问题集群为三机房部署的可容灾集群,集群信息如下(本文所有IP等关键信息已脱敏):
正常情况下一个ZooKeeper集群只能有一个leader节点,若干个follower节点。如下图:
但是该集群在两个leader节点的情况下,各节点依然状态正常,并能够正常提供服务,确实有点奇怪。为了能够说明清楚该问题,我们先了解下ZooKeeper集群的选举原则。
二、ZooKeeper集群选举原则
ZooKeeper集群的leader选举三原则:
-
集群中只有超过半数以上的节点启动,集群才能正常工作;
-
在集群正常服务前,myid小的节点给myid大的节点投票,直到集群正常,选出Leader;
-
选出Leader之后,之前的节点状态由Looking变为Following,以后的节点都是Follower。
假设一个5节点的集群,myid分别是1、2、3、4、5,依序启动:
1)节点1启动
-
各节点状态(1:启动;2:关停;3:关停;4:关停;5:关停)
-
选取状态(1: LOOKING;2:-;3:-;4:-;5:-)
-
集群状态(节点未满半数:失败)
2)节点2启动
-
各节点状态(1:启动;2:启动;3:关停;4:关停;5:关停)
-
选取状态(1: LOOKING;2:LOOKING;3:-;4:-;5:-)
-
集群状态(节点未满半数:失败)
3)节点3启动
-
各节点状态(1:启动;2:启动;3:启动;4:关停;5:关停)
-
选取状态(1: FOLLOWING;2:FOLLOWING;3:LEADING;4:-;5:-)
-
集群状态(节点过半数:成功)
4)节点4启动
-
各节点状态(1:启动;2:启动;3:启动;4:启动;5:关停)
-
选取状态(1: FOLLOWING;2:FOLLOWING;3:LEADING;4:FOLLOWING;5:-)
-
集群状态(节点过半数:成功)
5)节点5启动
-
各节点状态(1:启动;2:启动;3:启动;4:启动;5:启动)
-
选取状态(1: FOLLOWING;2:FOLLOWING;3:LEADING;4:FOLLOWING;5:FOLLOWING)
-
集群状态(节点过半数:成功)
三、问题分析
根据集群信息表:
查看192.176.238.219的日志发现4号节点成为LEADING状态时,集群中有3个节点:
[myid:4] - INFO [QuorumPeer[myid=4]/0:0:0:0:0:0:0:0:2181:Leader@946] - Have quorum of supporters, sids: [ 1,2,4 ];
满足节点数过半的原则,集群正常服务,但是查看节点内容,发现节点1、2的内容和4不一致,反而是节点1、2、3、5内容是一致的。
查看节点4的内容:
查看节点5内容:
通过内容排查可以看出节点1、2、3、5内容一致,可能属于同一集群,那么节点4为什么和其它节点内容不一致呢?
继续排查节点的配置信息,发现节点4配置的内部通讯端口:选举端口与其它节点配置的不一致!
节点4配置情况:
节点1、2、3、5的配置情况:
通过配置排查可以确认1、2、3、5是属于同一个集群,那4节点又是哪个集群呢?
继续排查发现,在同一批主机下面部署了另一个ZooKeeper实例,开放的服务端口是2182,而其配置的内部通讯端口:选举端口正是2888:3888。
通过排查这个集群节点的内容发现:节点1、2的内容和上面集群的节点4内容是一致的,而这个集群3、4、5节点的内容又是一致的!通过推断,集群状态如下表:
由于集群2和集群3都有三个节点,配置的总节点数是5,均满足节点数过半的原则!
四、问题影响
那么这种情况下会出现什么问题呢?
本来正常情况下A类业务系统只读写2181端口的集群、B类业务系统只读写2182端口的集群,而现在集群2既可以服务A类业务,又可服务B类业务,如果集群2的数据丢失,将影响两类业务的正常运行。
五、解决问题
集群2是一个异常集群,但是如果将集群2的节点恢复正常并分别加入到集群1和集群3后,集群2的数据势必会丢失。由于ZooKeeper集群的数据是由A类业务系统和B类业务系统进行读写的,解决的方法首先需要将集群2的数据导出并根据业务类型进行区分,待集群恢复正常后,再将这部分数据依据业务归属分别重新写入到对应的集群。
集群恢复步骤:
1)为防止数据丢失,备份集群1、集群2、集群3的数据(snapshot和log)。
2)提取集群2的数据,并依据业务类型将数据分类,并准备重新写入。
3)关停集群2节点4(192.176.238.219:2181)实例,集群2剩余2个节点,不满足半数要求,集群重新进行选举,由于集群2的1、2两个节点的通讯、选举端口和集群3配置一致,并且集群3已经选举了节点5为leader,那么集群2的节点1、2将加入到集群3成为follower,形成5节点的集群。
4)修改集群2节点4(192.176.238.219:2181)的内部通讯端口:选举端口为2889:3889
5)启动192.176.238.219:2181实例,由于该实例的通讯、选举端口和集群1配置一致,并且集群1已经选举了节点5为leader, 该实例将加入集群1成为follower,形成5节点的集群。
6)分别将原集群2的数据分类后重新写入到集群1和集群3。
7)检查集群状态,检查集群数据信息,并进行业务测试。
恢复后的集群信息如下:
通过以上操作步骤后,集群恢复正常,丢失数据重新写入,所有业务验证正常。
六、小结
该问题根因很简单,只是一个配置的小问题,但是处理却很容易出错。因为这是一个已经在线运行了很久的系统,往往不会怀疑是配置的问题,在处理该问题时,如果没有理清楚问题根因,只是简单将问题集群重启,表面上问题已经解决,但是大量数据将会丢失会严重影响到业务,并且根因没有找到,问题依旧存在,随时可能复发…
说了这么多,你还认为运维只是简单的重启就能解决问题吗?那什么是运维呢?
其实啊,运维是个灶台,上面背着个黑锅,下面还有个大坑…
- zookeeper运维问题总结
- 戎马一生的梅逊公式告诉你:如何携手闭环特征方程并肩作战经典自控各章典型问题?
- 【codeforces 727 C】【交互题 求原数组】【告诉你有一个长度为n序列,你可以问n个问题,每个问题为ai+aj等于多少,最后输出这个序列】
- Linux运维经典问题33则(附赠年薪10W+面试题与答案)
- 初学者学习linux运维的几个问题及老鸟建议
- “卖给我一支笔”:乔布斯会如何应对这个经典问题?
- 初学者学习linux运维的几个问题及老鸟建议
- 初学者学习linux运维的几个问题及老鸟建议
- 收藏:30个最常见面试问题——HR专家告诉你经典的面试问题和正确应答!
- 【运维】zookeeper安装遇到的问题
- zookeeper两个经典问题-带着问题看源码
- ZOOKEEPER运维常见问题
- 上班时候,老被腾讯弹出来的新闻打扰,很少烦恼,于是编写了一小程序,用于彻底解决这个问题,并代码开源,以防杀毒软件告诉你是病毒
- 6 个 Linux 运维典型问题,大牛告诉你解决思路!
- 某些Linux运维人员因手残而被炒鱿鱼,redhat7.0解决了这个可怕的问题
- 初学者学习linux运维的几个问题及老鸟建议
- [VS2008] Debug版本程序发布后 由于应用程序的配置不正确,应用程序未能启动,重新安装应用程序可能会纠正这个问题
- kafka+zookeeper集群安装与配置(CENTOS7环境)及开发中遇到的问题解决