运维老鸟告诉你这个经典Zookeeper问题的根因

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…

作者介绍

邹春华,新炬网络中间件专家。10年软件开发工作经验,9年运营商行业IT系统维护经验。精通C、C++、JAVA、PHP、SHELL等语言,有着深厚的大型IT软件系统开发功底,精通MQ、Redis、Zookeeper、nginx、tomcat等技术组件的配置和优化,也擅长zabbix、Grafana 、cacti、ansbile等组件的运用,有大量的自动化运维开发实践。

  • 发表于:
  • 本文为 InfoQ 中文站特供稿件
  • 首发地址https://www.infoq.cn/article/5bls0IRzVz1QdxALYJH7
  • 如有侵权,请联系 yunjia_community@tencent.com 删除。

扫码关注云+社区

领取腾讯云代金券