性能文章>一次Zookeeper bug排查之旅 #论程序员,你曾遇到关于性能的那些事#>

一次Zookeeper bug排查之旅 #论程序员,你曾遇到关于性能的那些事#原创

3年前
666546

起因

某一天突然有同事说zk client连不上server,考虑到最近业务代码没有变更,怀疑是运维同学做了什么操作导致,急忙联系运维同学,确实最近做了变更。为了避免扩大影响范围,先让运维同学回滚了变更,回滚后可以正常访问了。

复现问题

询问运维同学后,得到变更流程:由于zk集群有一台服务器存在性能隐患,需要变更到新的一个实例。于是运维先将新机器加入zk集群,修改旧服务器上配置逐个重启,重启后新zk的角色是leader,此时zk状态正常,运维同学也就认为变更完成。
结果意想不到的是使用mntr命令查看,所有的机器状态都是正常,但是zk client无法访问,一访问就卡住,问题可以在测试环境稳定复现。

问题排查

1 猜测zk端口没有监听成功,登录服务器使用netstat查看server打开的三个端口都是正常状态,也使用了telnet测试可以连上。

2 猜测同步节点数不足一半,或者follower连不上leader触发重新选举,但很快就被排除,因为上面说了使用mntr命令查看节点状态都正常,从日志中也未能找到对应日志记录。

3 我们再使用stat来观察server的连接情况,运行zk client发现server收到了client的请求,但是没有回消息,看来原因就是zk server没处理client的请求了。

跟踪到这里,就应该进入源码了,由于对zk源码不熟悉,咨询了某位大佬,建议我们看zk请求处理类CommitProcessor。
在CommitProcessor我们发现了原因,代码如下:

@Override
public void start() {
    ...
    if (workerPool == null) {
        workerPool = new WorkerService("CommitProcWork", numWorkerThreads, true);
    }
    ...
}

public void shutdown() {
    LOG.info("Shutting down");

    halt();

    if (workerPool != null) {
        workerPool.join(workerShutdownTimeoutMS);
    }

    if (nextProcessor != null) {
        nextProcessor.shutdown();
    }
}

在shutdown中调用了 workerPool.join实际上已经将请求处理的开关关闭了,但是并没有将workerPool设置为null。在start方法中会根据workerPool==null来创建WorkerService并开始处理请求。

修改后重新验证解决。

点赞收藏
Mr.g
请先登录,查看4条精彩评论吧
快去登录吧,你将获得
  • 浏览更多精彩评论
  • 和开发者讨论交流,共同进步
6
4
Lv1
Mr.g

徽章