本文共 12745 字，大约阅读时间需要 42 分钟。
沃趣科技 熊中哲
不管是架构选型还是生活，绝大多数时候都是在做 trade off，收获了计算存储分离带来的好处，也意味着要忍受它带来的一些棘手问题。本文尝试结合 Kubernetes, Docker, MySQL和计算存储分离架构 , 分享我们遇到的 “Split-Brain”问题。
2018年1月19号参加了阿里巴巴双十一数据库技术峰会，见到了好多老同事(各位研究员,资深专家),同时也了解到业界最新的数据库技术发展趋势：
● 数据库容器化作为下一代数据库基础架构
● 基于编排架构管理容器化数据库
● 采用计算存储分离架构
这和我们在私有 RDS 上的技术选型不谋而合. 尤其是计算存储分离架构.
在我们看来，其最大优势在于：
● 计算资源 / 存储资源独立扩展，架构更清晰，部署更容易。
● 将有状态的数据下沉到存储层，Scheduler 调度时，无需感知计算节点的存储介质，只需调度到满足计算资源要求的 Node，数据库实例启动时，只需在分布式文件系统挂载mapping volume 即可，可以显著的提高数据库实例的部署密度和计算资源利用率。
| 以阿里巴巴为例，考虑到今时今日它的规模，如果能够实现数据库服务的离线(ODPS)/在线集群的混合部署，意义极其重大。关键问题在于，离线(ODPS)计算和在线计算对实时性要求不同，硬件配置也不同，尤其是本地存储介质： ● 离线(ODPS)以机械磁盘为主 ● 在线以 SSD / Flash 为主 如果采用本地存储作为数据库实例的存储介质, 试想一下, 一个 Storage Qos 要求是 Flash 的数据库实例无法调度到离线计算集群, 哪怕离线计算集群 CPU, Memory 有大量空闲. 计算存储分离为实现离线(ODPS)/在线集群的混合部署提供了可能。 |
结合 Kubernetes，Docker 和 MySQL，进一步细化架构图，如下图所示：
同时，这套架构也带给我们更加简单、通用、高效的 High Availability 方案。当集群中某个 Node 不可用后，借助 Kubernetes 的原生组件Node Controller，Scheduler和原生API Statefulset即可将数据库实例调度到其他可用节点，以实现数据库实例的高可用。
一切是多么的美好，不是可以得到这个结论：
借助 Kubernetes 的原生组件Node Controller，cheduler和原生API Statefulset，上计算存储分离架构，将成熟的分布式文件系统集成到 Kubernetes 存储系统, 就能提供私有RDS服务。
之前我们也是这么想的, 直到遇到”Split-Brain”问题(也即是本文的主题)
回到上面的 High Availability 方案。
| 当集群中某个 Node 不可用后, 借助 Kubernetes 的原生组件Node Controller, Scheduler和原生API Statefulset即可将数据库实例调度到其他可用节点, 以实现数据库实例的高可用. |
判定 Node 不可用 将是后续触发 Failover 动作的关键。
所以这里需要对节点状态的判定机制稍作展开：
● Kubelet 借助 API Server 定期(node-status-update-frequency)更新 etcd 中对应节点的心跳信息。
● Controller Manager 中的 Node Controller 组件定期(node-monitor-period) 轮询 ETCD 中节点的心跳信息。
● 如果在周期(node-monitor-grace-period)内,心跳更新丢失, 该节点标记为Unknown(ConditionUnknown)。
● 如果在周期(pod-eviction-timeout)内,心跳更新持续丢失, Node Controller 将会触发集群层面的驱逐机制。
● Scheduler将Unknown节点上的所有数据库实例调度到其他健康(Ready)节点。
访问架构图如下所示：
| 补充一句，助 ETCD 集群的高可用强一致，以保证 Kubernetes 集群元信息的一致性。
● ETCD 基于 Raft 算法实现。 ● Raft 算法是一种基于消息传递(state machine replicated)且具有高度容错(fault tolerance)特性的一致性算法(consensus algorithm)。 ● Raft 是大名鼎鼎的 Paxos 的简化版本 ● 如果对于 Raft 算法的实现有兴趣，可以看看
所有感兴趣一致性算法的同学，都值得花精力学习。基于 goraft/raft，我实现了Network Partition Failures/Recovery TestCase，收获不小。 |
看上去合理的机制会给我们带来两个问题，
问题一 : 无法判定节点真实状态
心跳更新是判断节点是否可用的依据，但是，心跳更新丢失是无法判定节点真实状态的(Kubernetes 中将节点标记为 ConditionUnknown 也说明了这点)。
Node 可能仅仅是网络问题，CPU 繁忙，”假死”，Kubelet bug 等原因导致心跳更新丢失，但节点上的数据库实例还在运行中。
问题二 : 缺乏有效的 fence 机制
在这个情况下，借助 Kubernetes 的原生组件Node Controller，Scheduler和原生API Statefulset实现的 Failover，将数据库实例从 Unknown 节点驱逐到可用节点，但对原Unknown 节点不做任何操作。
这种”软驱逐”，将会导致新旧两个数据库实例同时访问同一份数据文件。
发生”Split-Brain”，导致 Data Corruption，数据丢失，损失无法弥补。
所以，必须借助 WOQU RDS Operator 提供的 fence 机制，才能保障数据文件的安全。
下面是枯燥的故障复现，通过日志和代码分析驱逐的工作机制，总结”Split-Brain”整个过程。
测试过程：
● 使用 Statefulset 创建 MySQL 单实例 gxr-oracle-statefulset (这是一个Oracle DBA取的名字,请原谅他)
● Scheduler 将 MySQL 单实例调度到集群中的节点 “k8s-node3”
● 通过 sysbench 对该实例制造极高的负载, “k8s-node3” load 飙升, 导致“k8s-node3” 上的 Kubelet 无法跟 API Server 通讯, 并开始报错
● Node Controller 启动驱逐
● Statefulset 发起重建
● Scheduler 将 MySQL 实例调度到 “k8s-node1” 上
● 新旧MySQL 实例访问同一个 Volume
● 数据文件被写坏, 新旧MySQL实例都报错, 并无法启动
测试参数:
● kube-controller-manager 启动参数
● kubelet 启动参数
基于日志, 整个事件流如下：
● 时间点 December 1st 2017，10:18:05.000 (最后一次更新成功应该是 10:17:42.000)：
节点(k8s-node3)启动数据库压力测试, 以模拟该节点”假死”, kubelet 跟 API Server 出现心跳丢失。
kubelet 日志报错，无法通过 API Server 更新 k8s-node3 状态。
| Kubelet 细节如下: ● 通过 API Server 更新集群信息 if kl.kubeClient != nil { // Start syncing node status immediately, this may set up things the runtime needs to run. go wait.Until(kl.syncNodeStatus, kl.nodeStatusUpdateFrequency, wait.NeverStop) }
● 定期(nodeStatusUpdateFrequency)更新对应节点状态 nodeStatusUpdateFrequency 默认时间为 10 秒, 测试时设置的是8s obj.NodeStatusUpdateFrequency = metav1.Duration{Duration: 10 * time.Second}
● 更新如下信息： func (kl *Kubelet) defaultNodeStatusFuncs() []func(*v1.Node) error { // initial set of node status update handlers, can be modified by Option's withoutError := func(f func(*v1.Node)) func(*v1.Node) error { return func(n *v1.Node) error { f(n) return nil } } return []func(*v1.Node) error{ kl.setNodeAddress, withoutError(kl.setNodeStatusInfo), withoutError(kl.setNodeOODCondition), withoutError(kl.setNodeMemoryPressureCondition), withoutError(kl.setNodeDiskPressureCondition), withoutError(kl.setNodeReadyCondition), withoutError(kl.setNodeVolumesInUseStatus), withoutError(kl.recordNodeSchedulableEvent), } } ● 通过 kubectl 可以获得节点的信息 |
● 时间点 December 1st 2017, 10:18:14.000：
● NodeController 发现 k8s-node3 的状态有32s 没有发生更新.
○ ready / outofdisk / diskpressure / memorypressue condition
● 将该节点状态更新为 UNKNOWN
● 每隔NodeMonitorPeriod继续节点状态是否有更新
| ● 定期(nodeMonitorPeriod)查看一次节点状态 // Incorporate the results of node status pushed from kubelet to master. go wait.Until(func() { if err := nc.monitorNodeStatus(); err != nil { glog.Errorf("Error monitoring node status: %v", err) } }, nc.nodeMonitorPeriod, wait.NeverStop)
● nodeMonitorPeriod 默认 5秒，测试时4s NodeMonitorPeriod: metav1.Duration{Duration: 5 * time.Second},
● 当超过 NodeMonitorGracePeriod 时间后，节点状态没有更新将节点状态设置成 unknown if nc.now().After(savedNodeStatus.probeTimestamp.Add(gracePeriod)) { // NodeReady condition was last set longer ago than gracePeriod, so update it to Unknown // (regardless of its current value) in the master. if currentReadyCondition == nil { glog.V(2).Infof("node %v is never updated by kubelet", node.Name) node.Status.Conditions = append(node.Status.Conditions, v1.NodeCondition{ Type: v1.NodeReady, Status: v1.ConditionUnknown, Reason: "NodeStatusNeverUpdated", Message: fmt.Sprintf("Kubelet never posted node status."), LastHeartbeatTime: node.CreationTimestamp, LastTransitionTime: nc.now(), }) } else { glog.V(4).Infof("node %v hasn't been updated for %+v. Last ready condition is: %+v", node.Name, nc.now().Time.Sub(savedNodeStatus.probeTimestamp.Time), observedReadyCondition) if observedReadyCondition.Status != v1.ConditionUnknown { currentReadyCondition.Status = v1.ConditionUnknown currentReadyCondition.Reason = "NodeStatusUnknown" currentReadyCondition.Message = "Kubelet stopped posting node status." // LastProbeTime is the last time we heard from kubelet. currentReadyCondition.LastHeartbeatTime = observedReadyCondition.LastHeartbeatTime currentReadyCondition.LastTransitionTime = nc.now() } } |
● 时间点 December 1st 2017, 10:19:42.000：
刚好过去 podEvictionTimeout，将该节点添加到驱逐队列中。
| ● 在podEvictionTimeout 后，认为该节点上 pods 需要开始驱逐
if observedReadyCondition.Status == v1.ConditionUnknown { if nc.useTaintBasedEvictions { // We want to update the taint straight away if Node is already tainted with the UnreachableTaint if taintutils.TaintExists(node.Spec.Taints, NotReadyTaintTemplate) { taintToAdd := *UnreachableTaintTemplate if !util.SwapNodeControllerTaint(nc.kubeClient, []*v1.Taint{&taintToAdd}, []*v1.Taint{NotReadyTaintTemplate}, node) { glog.Errorf("Failed to instantly swap UnreachableTaint to NotReadyTaint. Will try again in the next cycle.") } } else if nc.markNodeForTainting(node) { glog.V(2).Infof("Node %v is unresponsive as of %v. Adding it to the Taint queue.", node.Name, decisionTimestamp, ) } } else { if decisionTimestamp.After(nc.nodeStatusMap[node.Name].probeTimestamp.Add(nc.podEvictionTimeout)) { if nc.evictPods(node) { glog.V(2).Infof("Node is unresponsive. Adding Pods on Node %s to eviction queues: %v is later than %v + %v", node.Name, decisionTimestamp, nc.nodeStatusMap[node.Name].readyTransitionTimestamp, nc.podEvictionTimeout-gracePeriod, ) } } } }
● 放到驱逐数组中
// evictPods queues an eviction for the provided node name, and returns false if the node is already // queued for eviction. func (nc *Controller) evictPods(node *v1.Node) bool { nc.evictorLock.Lock() defer nc.evictorLock.Unlock() return nc.zonePodEvictor[utilnode.GetZoneKey(node)].Add(node.Name, string(node.UID)) }
|
● 时间点 December 1st 2017, 10:19:42.000：
开始驱逐
| ● 驱逐 goroutine
if nc.useTaintBasedEvictions { // Handling taint based evictions. Because we don't want a dedicated logic in TaintManager for NC-originated // taints and we normally don't rate limit evictions caused by taints, we need to rate limit adding taints. go wait.Until(nc.doNoExecuteTaintingPass, scheduler.NodeEvictionPeriod, wait.NeverStop) } else { // Managing eviction of nodes: // When we delete pods off a node, if the node was not empty at the time we then // queue an eviction watcher. If we hit an error, retry deletion. go wait.Until(nc.doEvictionPass, scheduler.NodeEvictionPeriod, wait.NeverStop) }
● 通过删除 pods 的方式驱逐
func (nc *Controller) doEvictionPass() { nc.evictorLock.Lock() defer nc.evictorLock.Unlock() for k := range nc.zonePodEvictor { // Function should return 'false' and a time after which it should be retried, or 'true' if it shouldn't (it succeeded). nc.zonePodEvictor[k].Try(func(value scheduler.TimedValue) (bool, time.Duration) { node, err := nc.nodeLister.Get(value.Value) if apierrors.IsNotFound(err) { glog.Warningf("Node %v no longer present in nodeLister!", value.Value) } else if err != nil { glog.Warningf("Failed to get Node %v from the nodeLister: %v", value.Value, err) } else { zone := utilnode.GetZoneKey(node) evictionsNumber.WithLabelValues(zone).Inc() } nodeUID, _ := value.UID.(string) remaining, err := util.DeletePods(nc.kubeClient, nc.recorder, value.Value, nodeUID, nc.daemonSetStore) if err != nil { utilruntime.HandleError(fmt.Errorf("unable to evict node %q: %v", value.Value, err)) return false, 0 } if remaining { glog.Infof("Pods awaiting deletion due to Controller eviction") } return true, 0 }) } } |
● 时间点 December 1st 2017, 10:19:42.000：
statefulset controller 发现 default/gxr1-oracle-statefulset 状态异常
● 时间点 December 1st 2017, 10:19:42.000：
scheduler 将 pod 调度到 k8s-node1
这样旧的MySQL 实例在 k8s-node3 上，kubernetes 又将新的实例调度到 k8s-node1。
两个数据库实例写同一份数据文件，导致 data corruption，两个节点都无法启动。
老实例启动报错, 日志如下：
| 2017-12-01 10:19:47 5628 [Note] mysqld (mysqld 5.7.19-log) starting as process 963 ... 2017-12-01 10:19:47 5628 [Note] InnoDB: PUNCH HOLE support available 2017-12-01 10:19:47 5628 [Note] InnoDB: Mutexes and rw_locks use GCC atomic builtins 2017-12-01 10:19:47 5628 [Note] InnoDB: Uses event mutexes 2017-12-01 10:19:47 5628 [Note] InnoDB: GCC builtin __atomic_thread_fence() is used for memory barrier 2017-12-01 10:19:47 5628 [Note] InnoDB: Compressed tables use zlib 1.2.3 2017-12-01 10:19:47 5628 [Note] InnoDB: Using Linux native AIO 2017-12-01 10:19:47 5628 [Note] InnoDB: Number of pools: 1 2017-12-01 10:19:47 5628 [Note] InnoDB: Using CPU crc32 instructions 2017-12-01 10:19:47 5628 [Note] InnoDB: Initializing buffer pool, total size = 3.25G, instances = 2, chunk size = 128M 2017-12-01 10:19:47 5628 [Note] InnoDB: Completed initialization of buffer pool 2017-12-01 10:19:47 5628 [Note] InnoDB: If the mysqld execution user is authorized, page cleaner thread priority can be changed. See the man page of setpriority(). 2017-12-01 10:19:47 5628 [Note] InnoDB: Highest supported file format is Barracuda. 2017-12-01 10:19:47 5628 [Note] InnoDB: Log scan progressed past the checkpoint lsn 406822323 2017-12-01 10:19:47 5628 [Note] InnoDB: Doing recovery: scanned up to log sequence number 406823190 2017-12-01 10:19:47 5628 [Note] InnoDB: Database was not shutdown normally! 2017-12-01 10:19:47 5628 [Note] InnoDB: Starting crash recovery. 2017-12-01 10:19:47 5669 [Note] InnoDB: Starting an apply batch of log records to the database... InnoDB: Progress in percent: 89 90 91 92 93 94 95 96 97 98 99 2017-12-01 10:19:47 5669 [Note] InnoDB: Apply batch completed 2017-12-01 10:19:47 5669 [Note] InnoDB: Last MySQL binlog file position 0 428730, file name mysql-bin.000004 2017-12-01 10:19:47 5669 [Note] InnoDB: Removed temporary tablespace data file: "ibtmp1" 2017-12-01 10:19:47 5669 [Note] InnoDB: Creating shared tablespace for temporary tables 2017-12-01 10:19:47 5669 [Note] InnoDB: Setting file './ibtmp1' size to 12 MB. Physically writing the file full; Please wait ... 2017-12-01 10:19:47 5669 [Note] InnoDB: File './ibtmp1' size is now 12 MB. 2017-12-01 10:19:47 5669 [Note] InnoDB: 96 redo rollback segment(s) found. 96 redo rollback segment(s) are active. 2017-12-01 10:19:47 5669 [Note] InnoDB: 32 non-redo rollback segment(s) are active. 2017-12-01 10:19:47 5669 [Note] InnoDB: Waiting for purge to start 2017-12-01 10:19:47 0x7fcb08928700 InnoDB: Assertion failure in thread 140509998909184 in file trx0purge.cc line 168 InnoDB: Failing assertion: purge_sys->iter.trx_no <= purge_sys->rseg->last_trx_no InnoDB: We intentionally generate a memory trap. InnoDB: Submit a detailed bug report to http://bugs.mysql.com. InnoDB: If you get repeated assertion failures or crashes, even InnoDB: immediately after the mysqld startup, there may be InnoDB: corruption in the InnoDB tablespace. Please refer to InnoDB: http://dev.mysql.com/doc/refman/5.7/en/forcing-innodb-recovery.html InnoDB: about forcing recovery. 10:19:47 5669 - mysqld got signal 6 ; |
来自 “ ITPUB博客 ” ，链接：http://blog.itpub.net/28218939/viewspace-2151253/，如需转载，请注明出处，否则将追究法律责任。
转载于:http://blog.itpub.net/28218939/viewspace-2151253/