性能文章>zookeeper恢复了,线上微服务却全部掉线了,怎么回事?>

zookeeper恢复了,线上微服务却全部掉线了,怎么回事?原创

1年前
336268

注册中心zookeeper重启恢复后,线上微服务却全部掉线了,怎么回事?

最近因为一次错误的运维操作,导致线上注册中心zk被重启。而zk重启后发现所有线上微服务开始不断掉线,造成了持续30分钟的P0故障。

整体排查过程深入学习了 zookeeper的session机制,以及在这种异常情况下,RPC框架应该如何处理。

好了,一起来回顾下这次线上故障吧,最佳实践总结放在最后,千万不要错过。

1、现象描述

某天晚上19:43分左右,误操作将线上zk集群下线(stop),总共7台节点,下线了6台,导致zk停止工作。

在发现节点下掉后,于19:51分左右将所有zk节点进行重启(start),期间服务正常运行,没有收到批量业务调用的报错和客诉。

直到19:56分,开始收到大面积调用失败的警报和客诉,我们尝试着依赖自研RPC框架与zk间重连后的「自动恢复」机制,希望能够在短时间内批量恢复。

但是很不幸,过了接近8分钟,没有任何大面积恢复的迹象。

结合zk znode节点数上升非常缓慢的情况,于是我们采取了应急措施,将所有微服务的pod原地重启,执行重启后效果显著,大面积服务在短时间内逐步恢复。

2、初步分析

我们自研的RPC框架采用典型的 注册中心+provider+consumer 的模式,通过zk临时节点的方式做服务的注册发现,如下图所示。

结合故障期间发生的现象,我们初步分析:

  • 阶段1:zk集群停服(stop)期间,业务能够正常调用。原因是consumer无法访问zk,暂时失去服务发现能力,所以在这个期间只要服务没有重启,就不会刷新本地的服务发现provider缓存列表provider-list,调用无异常。

  • 阶段2:zk集群启动完毕后,服务间立刻出现调用问题。原因是consumer连接上zk后,立刻进行服务发现操作,然而provider服务这时还没重新注册到zk,读取到的是空地址列表,造成了业务的批量报错。

  • 阶段3:zk恢复后续一段时间,provider服务仍然没「自动重连」到zk,导致consumer持续报错。在所有服务全量重启后,provider服务重新注册成功,consumer恢复。

这里存在一个问题:

为什么zk集群恢复后,provider客户端「自动重连」注册中心的机制没有生效?导致consumer被推送了空地址列表后,没有再收到重新的provider注册节点信息了。

3、深入排查

3.1 问题复现

根据大量测试,我们找到了稳定复现本次问题的方法:

zk session过期包括 「服务端过期」 和 「客户端过期」,在「客户端过期」情况下恢复zk集群,会导致「临时节点」丢失,且无法自动恢复的情况。

3.2 原因分析

1)在集群重启恢复后,RPC框架客户端立刻就与zk集群取得重连,将保存在本地内存待注册的providers节点 + 待订阅的consumers节点 进行重建。

2)但是zk集群此时根据snapshot恢复的「临时节点」(包括provider和consumer) 都还在,因此重建操作返回NodeExist异常,重建失败了。(问题1:为什么没有重试?)

3)在集群重启恢复40s后,将过期Session相关的 临时节点全都移除了。(问题2:为什么要移除?)

4)consumer监听到 节点移除 的空列表,清空了本地provider列表。故障发生了。

基于这个分析,我们需要进一步围绕2个问题进行源码的定位:

  • 问题1:zk集群恢复后,前40s,为什么RPC框架的客户端在创建临时节点失败后没有重试?

  • 问题2:zk集群恢复后,40s后,为什么zk会删除之前所有已经恢复的临时节点?

3.3 问题1:为什么临时节点创建失败没有重试?

通过源码分析,我们看到,RPC框架客户端与服务端取得重连后,会将内存里老的临时节点进行重新创建。

这段逻辑看来没有什么问题,doRegister成功之后才会将该节点从失败列表中移除,否则将继续定时去重试创建。

继续往下走,关键点来了:

这里我们可以看到,在创建临时节点时,吞掉了服务端返回的NodeExistsException,使整个外层的doRegister和doSubscribe(订阅)方法在这种情况下都被认为是重新创建成功,所以只创建了一次。

正如上面分析的,其实正常情况下,这里对NodeExistsException不做处理是没有问题的,就是节点已经存在不用再添加了,也不需要再重试了,但是伴随服务端后续踢出老sessionId同时删除了相关临时节点,就引起了故障。

3.4 问题2:zk为什么删除已经恢复的临时节点?

1)从zk的session机制说起

众所周知,zk session管理在客户端、服务端都有实现,并且两者通过心跳进行交互。

在发送心跳包时,客户端会携带自己的sessionId,服务端收到请求,检查sessionId确认存活后再发送返回结果给客户端。

如果客户端发送了一个服务端并不知道的sessionId,那么服务端会生成一个新的sessionId颁布给客户端,客户端收到后本地进行sessionid的刷新。

2)zk客户端(curator)session过期机制

当客户端(curator)本地sessionTimeout超时时,会进行本地zk对象的重建(reset),我们从源码可以看到默认将本地的sessionId重置为0了

zk服务端后续收到这个为“0”sessionId,认为是一个未知的session需要创建,接着就为客户端创建了一个新的sessionId。

3) 服务端(zookeeper)session过期处理机制

服务端(zookeeper) sessionTimeout的管理,是在zk会话管理器中看到一个线程任务,不断判断管理的session是否有超时(获取下一个过期时间点nextExpirationTime已经超时的会话),并进行会话的清理。

我们继续往下走,关键点来了,在清理session的过程中,除了将sessionId从本地expiryMap中清除外,还进行了临时节点的清理

原来zkserver端是将sessionId和它所创建的临时节点进行了绑定。伴随着服务端sessionId的过期,绑定的所有临时节点也会随之删除。

因此,zk集群恢复后40s,zk服务端session超时,删除了过期session的所有相关临时节点。

4、故障根本原因总结

1)zk集群恢复的第一时间,对zk的snapshot文件进行了读取并初始化zk数据,取到了老session,进行了create session的操作,完成了一次老session的续约(重置40s)。

集群恢复关键入口-重新加载snapshot:

进行session恢复(创建)操作,默认session timeout 40s:

2)而此时客户端session早已经过期,带着空sessionid 0x0进行重连,获得新sessionId。但是此时RPC框架在临时节点注册失败后吞掉了服务端返回的NodeExistsException,被认为是重新创建成功,所以只创建了一次。

3)zk集群恢复后经过40s最终因为服务端session过期,将过期sessionId和及其绑定的临时节点进行了清除。

4)consumer监听到 节点移除 的空列表,清空了本地provider列表。故障发生了。

5、解决方案

经过上面的源码分析,解决方案有两种:

  • 方案1:客户端(curator)设置session过期时间更长或者不过期,那么集群恢复后的前40s,客户端带着原本的sessionid跟服务端做一次请求,就自动续约了,不再过期。

  • 案2:客户端session过期后,带着空sessionid 0x0进行重连的时候,对NodeExsitException做处理,进行 删除-重添加 操作,保证重连成功。

于是我们调研了一下业界使用zk的开源微服务框架是否支持自愈,以及如何实现的:

dubbo采用了方案2。

注释也写非常清楚:

“ZNode路径已经存在,因为我们只会在会话过期时尝试重新创建节点,所以这种重复可能是由zk服务器的 删除延迟 引起的,这意味着 旧的过期会话可能仍然保存着这个ZNode ,而服务器只是没有时间进行删除。在这种情况下,我们可以尝试删除并再次创建。”

看来dubbo确实后续也考虑到这个边界场景,防止踩坑。

所以最后我们的解决方案也是借鉴dubbo fix的逻辑,进行节点的替换:先deletePath再createPath,这么做的原因是将zk服务端内存维护的过期sessionId替换新的sessionId,避免后续zk清理老sessionId时将所有绑定的节点删除。

6、解决方案

回顾整个故障,我们其实还忽略了一点最佳实践。

除了优化对异常的捕获处理外,RPC框架对注册中心的空地址推送也应该做特殊判断,用业界的专业名词来说,就是「推空保护」。

所谓「推空保护」,就是在服务发现监听获取空节点列表时,维持本地服务发现列表缓存,而不是清空处理。

这样可以完全避免类似问题。

更多好文分享尽在阿丸笔记(微信公众号:aone_note),欢迎关注!

 

点赞收藏
阿丸笔记

分享中间件和架构干货笔记,全网同名【阿丸笔记】,欢迎关注。

请先登录,查看6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

为你推荐

浅析AbstractQueuedSynchronizer

浅析AbstractQueuedSynchronizer

8
6