前言
ZooKeeper作为dubbo的注册中心,可谓是重中之重,线上ZK的任何风吹草动都会牵动心弦。最近笔者就碰到线上ZK Leader宕机后,选主无法成功导致ZK集群拒绝服务的现象,于是把这个case写出来分享给大家(基于ZooKeeper 3.4.5)。
Bug现场
一天早上,突然接到电话,说是ZooKeeper物理机宕机了,而剩余几台机器状态都是
sh zkServer.sh status it is probably not running
笔者看了下监控,物理机宕机的正好是ZK的leader。3节点的ZK,leader宕了后,其余两台一直未能成为leader,把宕机的那台紧急拉起来之后,依旧无法选主, 导致ZK集群整体拒绝服务!
业务影响
Dubbo如果连接不上ZK,其调用元信息会一直缓存着,所以并不会对请求调用造成实际影响。麻烦的是,如果在ZK拒绝服务期间,应用无法重启或者发布,一旦遇到紧急事件而重启(发布)不能,就会造成比较重大的影响。
好在我们为了高可用,做了对等机房建设,所以非常淡定的将流量切到B机房,
双机房建设就是好啊,一键切换!
切换过后就可以有充裕的时间来恢复A机房的集群了。在紧张恢复的同时,笔者也开始了分析工作。
日志表现
首先,查看日志,期间有大量的client连接报错,自然是直接过滤掉,以免干扰。
cat zookeeper.out | grep -v ‘client xxx‘ | > /tmp/1.txt
首先看到的是下面这样的日志:
ZK-A机器日志
Zk-A机器: 2021-06-16 03:32:35 ... New election. My id=3 2021-06-16 03:32:46 ... QuoeumPeer] LEADING // 注意,这里选主成功 2021-06-16 03:32:46 ... QuoeumPeer] LEADING - LEADER ELECTION TOOK - 7878‘ 2021-06-16 03:32:48 ... QuoeumPeer] Reading snapshot /xxx/snapshot.xxx 2021-06-16 03:32:54 ... QuoeumPeer] Snahotting xxx to /xxx/snapshot.xxx 2021-06-16 03:33:08 ... Follower sid ZK-B.IP 2021-06-16 03:33:08 ... Unexpected exception causing shutdown while sock still open java.io.EOFException at java.io.DataInputStream.readInt ...... at quorum.LearnerHandler.run 2021-06-16 03:33:08 ******* GOODBYE ZK-B.IP ******* 2021-06-16 03:33:27 Shutting down
这段日志看上去像选主成功了,但是和其它机器的通信出问题了,导致Shutdown然后重新选举。
ZK-B机器日志
2021-06-16 03:32:48 New election. My id=2 2021-06-16 03:32:48 QuoeumPeer] FOLLOWING 2021-06-16 03:32:48 QuoeumPeer] FOLLOWING - LEADER ELECTION TOOK - 222 2021-06-16 03:33:08.833 QuoeumPeer] Exception when following the leader java.net.SocketTimeoutException: Read time out at java.net.SocketInputStream.socketRead0 ...... at org.apache.zookeeper.server.quorum.Follower.followLeader 2021-06-16 03:33:08.380 Shutting down
这段日志也表明选主成功了,而且自己是Following状态,只不过Leader迟迟不返回,导致超时进而Shutdown
时序图
笔者将上面的日志画成时序图,以便分析:
从ZK-B的日志可以看出,其在成为follower之后,一直等待leader,直到Read time out。
从ZK-A的日志可以看出,其在成为LEADING后,在33:08,803才收到Follower也就是ZK-B发出的包。而这时,ZK-B已经在33:08,301的时候Read timed out了。
首先分析follower(ZK-B)的情况
我们知道其在03:32:48成为follower,然后在03:33:08出错Read time out,其间正好是20s。于是笔者先从Zookeeper源码中找下其设置Read time out是多长时间。
Learner protected void connectToLeader(InetSocketAddress addr) { ...... sock = new Socket() // self.tockTime 2000 self.initLimit 10 sock.setSoTimeout(self.tickTime * self.initLimit); ...... }
其Read time out是按照zoo.cfg中的配置项而设置:
tickTime=2000 self.tickTime initLimit=10 self.initLimit syncLimit=5
很明显的,ZK-B在成为follower后,由于某种原因leader在20s后才响应。那么接下来对leader进行分析。
对leader(ZK-A)进行分析
首先我们先看下Leader的初始化逻辑:
quorumPeer |->打印 LEADING |->makeLeader |-> new ServerSocket listen and bind |->leader.lead() |->打印 LEADER ELECTION TOOK |->loadData |->loadDataBase |->resore 打印Reading snapshot |->takeSnapshot |->save 打印Snapshotting |->cnxAcceptor 处理请求Accept
可以看到,在我们的ZK启动监听端口到正式处理请求之间,还有Reading Snapshot和Snapshotting(写)动作。从日志可以看出一个花了6s多,一个花了14s多。然后就有20s的处理空档期。如下图所示:
由于在socket listen 20s之后才开始处理数据,所以ZK-B建立成功的连接实际还放在tcp的内核全连接队列(backlog)里面,由于在内核看来三次握手是成功的,所以能够正常接收ZK-B发送的follower ZK-B数据。在20s,ZK-A真正处理后,从buffer里面拿出来20s前ZK-B发送的数据,处理完回包的时候,发现ZK-B连接已经断开。
同样的,另一台follower(这时候我们已经把宕机的拉起来了,所以是3台)也是由于此原因gg,而leader迟迟收不到其它机器的响应,认为自己的leader没有达到1/2的票数,而Shutdown重新选举。
Snapshot耗时
那么是什么导致Snapshotting读写这么耗时呢?笔者查看了下Snapshot文件大小,有将近一个G左右。
调大initLimit
针对这种情况,其实我们只要调大initLimit,应该就可以越过这道坎。
zoo.cfg tickTime=2000 // 这个不要动,因为和ZK心跳机制有关 initLimit=100 // 直接调成100,200s!
这么巧就20s么?
难道就这么巧,每次选举流程都刚好卡在20s不过?反复选举了好多次,应该有一次要<20s成功把,不然运气也太差了。如果是每次需要处理Snapshot 30s也就算了,但这个20s太接近极限值了,是否还有其它因素导致选主不成功?
第二种情况
于是笔者翻了下日志,还真有!这次leader这边处理Snapshot快了,但是follower又拉跨了!日志如下:
leader(ZK-A)第二种情况
2021-06-16 03:38:03 New election. My id= 3 2021-06-16 03:38:22 QuorumPeer] LEADING 2021-06-16 03:38:22 QuorumPeer] LEADING - LEADER ELECTION TOOK 25703 2021-06-16 03:38:22 QuorumPeer] Reading snapshot 2021-06-16 03:38:29 QuorumPeer] Snapshotting 2021-06-16 03:38:42 LearnerHandler] Follower sid 1 2021-06-16 03:38:42 LearnerHandler] Follower sid 3 2021-06-16 03:38:42 LearnerHandler] Sending DIFF 2021-06-16 03:38:42 LearnerHandler] Sending DIFF 2021-06-16 03:38:54 LearnerHandler] Have quorum of supporters 2021-06-16 03:38:55 client attempting to establsh new session 到这开始接收client请求了 ...... 2021-06-16 03:38:58 Shutdown callsed java.lang.Exception: shutdown Leader! reason: Only 1 followers,need 1 at org.apache.zookeeper.server.quorum.Leader.shutdown
从日志中我们可以看到选举是成功了的,毕竟处理Snapshot只处理了13s(可能是pagecache的原因处理变快)。其它两个follower顺利连接,同时给他们发送DIFF包,但是情况没好多久,又爆了一个follower不够的报错,这里的报错信息比较迷惑。
我们看下代码:
Leader.lead void lead() { while(true){ Thread.sleep(self.tickTime/2); ...... syncedSet.add(self.getId()) for(LearnerHandler f:getLearners()){ if(f.synced() && f.getLearnerType()==LearnerType.PARTICIPANT){ syncedSet.add(f.getSid()); } f.ping(); } // syncedSet只有1个也就是自身,不符合>1/2的条件,报错并跳出 if (!tickSkip && !self.getQuorumVerifier().containsQuorum(syncedSet)) { shutdown("Only" + syncedSet.size() + " followers, need" + (self.getVotingView().size()/2)); return; } } }
报错的实质就是和leader同步的syncedSet小于固定的1/2集群,所以shutdown了。同时在代码里面我们又可以看到syncedSet的判定是通过learnerHander.synced()来决定。我们继续看下代码:
LearnerHandler public boolean synced(){ // 这边isAlive是线程的isAlive return isAlive() && tickOfLastAck >= leader.self.tick - leader.self.syncLimit; }
很明显的,follower和leader的同步时间超过了leader.self.syncLimit也就是5 * 2 = 10s
zoo.cfg tickTime = 2000 syncLimit = 5
那么我们的tick是怎么更新的呢,答案是在follower响应UPTODATE包,也就是已经和leader同步后,follower每个包过来就更新一次,在此之前并不更新。
进一步推理,也就是我们的follower处理leader的包超过了10s,导致tick未及时更新,进而syncedSet小于数量,导致leader shutdown。
follower(ZK-B)第二种情况
带着这个结论,笔者去翻了follower(ZK-B)的日志(注:ZK-C也是如此)
2021-06-16 03:38:24 New election. My id = 3 2021-06-16 03:38:24 FOLLOWING 2021-06-16 03:38:24 FOLLOWING - LEADER ELECTION TOOK - 8004 2021-06-16 03:38:42 Getting a diff from the leader 2021-06-16 03:38:42 Snapshotting 2021-06-16 03:38:57 Snapshotting 2021-06-16 03:39:12 Got zxid xxx 2021-06-16 03:39:12 Exception when following the leader java.net.SocketException: Broken pipe
又是Snapshot,这次我们可以看到每次Snapshot会花15s左右,远超了syncLimit。 从源码中我们可以得知,每次Snapshot之后都会立马writePacket(即响应),但是第一次回包有由于不是处理的UPTODATE包,所以并不会更新Leader端对应的tick:
learner: proteced void syncWithLeader(...){ outerloop: while(self.isRunning()){ readPacket(qp); switch(qp.getType()){ case Leader.UPTODATE if(!snapshotTaken){ zk.takeSnapshot(); ...... } break outerloop; } case Leader.NEWLEADER: zk.takeSnapshot(); ...... writePacket(......) // leader收到后会更新tick break; } ...... writePacket(ack,True); // leader收到后会更新tick }
注意,ZK-B的日志里面表明会两次Snapshotting。至于为什么两次,应该是一个微妙的Bug,(在3.4.5的官方注释里面做了fix,但看日志依旧打了两次),笔者并没有深究。好了,整个时序图就如下所示:
好了,第二种情况也gg了。这一次时间就不是刚刚好出在边缘了,得将近30s才能Okay, 而synedSet只有10s(2*5)。ZK集群就在这两种情况中反复选举,直到人工介入。
调大syncLimit
针对这种情况,其实我们只要调大syncLimit,应该就可以越过这道坎。
zoo.cfg tickTime=2000 // 这个不要动,因为和ZK心跳机制有关 syncLimit=50 // 直接调成50,100s!
线下复现
当然了,有了分析还是不够的。我们还需要通过测试去复现并验证我们的结论。我们在线下构造了一个1024G Snapshot的ZookKeeper进行测试,在initLimit=10以及syncLimit=5的情况下确实和线上出现一模一样的那两种现象。在笔者将参数调整后:
zoo.cfg tickTime=2000 initLimit=100 // 200s syncLimit=50 // 100s
Zookeeper集群终于正常了。
线下用新版本3.4.13尝试复现
我们在线下还用比较新的版本3.4.13尝试复现,发现Zookeeper在不调整参数的情况下,很快的就选主成功并正常提供服务了。笔者翻了翻源码,发现其直接在Leader.lead()阶段和SyncWithLeader阶段(如果是用Diff的话)将takeSnapshot去掉了。这也就避免了处理snapshot时间过长导致无法提供服务的现象。
Zookeeper 3.4.13 ZookeeperServer.java public void loadData(){ ... // takeSnapshot() 删掉了最后一行的takeSnapshot } learner.java protected void syncWithLeader(...){ boolean snapshotNeeded=true if(qp.getType() == Leader.DIFF){ ...... snapshotNeeded = false } ...... if(snapshotNeeded){ zk.takeSnapshot(); } ...... }
还是升级到高版本靠谱呀,这个版本的代码顺带把那个迷惑性的日志也改了!
为何Dubbo-ZK有那么多的数据
最后的问题就是一个dubbo相关的ZK为什么有那么多数据了!笔者利用ZK使用的
org.apache.zookeeper.server.SnapshotFormatter
工具dump出来并用shell(awk|unique)聚合了一把,发现dubbo的数据只占了其中的1/4。 有1/2是Solar的Zookeeper(已经迁移掉,遗留在上面的)。还有1/4是由于某个系统的分布式锁Bug不停的写入进去并且不删除的(已让他们修改)。所以将dubbo-zk和其它ZK数据分离是多么的重要!随便滥用就有可能导致重大事件!
总结
Zookeeper作为重要的元数据管理系统,其无法提供服务有可能会带来不可估量的影响。感谢双机房建设让我们有充足的时间和轻松的心态处理此问题。另外,虽然ZK选举虽然复杂,但是只要沉下心来慢慢分析,总归能够发现蛛丝马迹,进而找到突破口!