转载

容器化RDS—计算存储分离架构下的“Split-Brain”

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119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.

容器化RDS—计算存储分离架构下的“Split-Brain”


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 KubernetesDocker MySQL,进一步细化架构图,如下图所示:

 容器化RDS—计算存储分离架构下的“Split-Brain”


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 ControllerScheduler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。


容器化RDS—计算存储分离架构下的“Split-Brain”


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 Controllercheduler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, 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),心跳更新丢失, 该节点标记为Unknown(ConditionUnknown)

●     如果在周期(pod-eviction-timeout),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:


容器化RDS—计算存储分离架构下的“Split-Brain”



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 https://github.com/goraft/raft

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 ControllerScheduler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


容器化RDS—计算存储分离架构下的“Split-Brain”

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”

●     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

容器化RDS—计算存储分离架构下的“Split-Brain”

●     kubelet 启动参数

容器化RDS—计算存储分离架构下的“Split-Brain”


基于日志, 整个事件流如下:

●     时间点 December 1st 201710:18:05.000 (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 API Server 出现心跳丢失。

容器化RDS—计算存储分离架构下的“Split-Brain”

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 , 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

容器化RDS—计算存储分离架构下的“Split-Brain”


●     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

容器化RDS—计算存储分离架构下的“Split-Brain”容器化RDS—计算存储分离架构下的“Split-Brain”容器化RDS—计算存储分离架构下的“Split-Brain”容器化RDS—计算存储分离架构下的“Split-Brain”


●     将该节点状态更新为 UNKNOWN

容器化RDS—计算存储分离架构下的“Split-Brain”

      

●     每隔NodeMonitorPeriod继续节点状态是否有更新


容器化RDS—计算存储分离架构下的“Split-Brain”


     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。


容器化RDS—计算存储分离架构下的“Split-Brain”



     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

容器化RDS—计算存储分离架构下的“Split-Brain”容器化RDS—计算存储分离架构下的“Split-Brain”容器化RDS—计算存储分离架构下的“Split-Brain”


     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

容器化RDS—计算存储分离架构下的“Split-Brain”

●     时间点 December 1st 2017, 10:19:42.000

scheduler pod 调度到 k8s-node1

容器化RDS—计算存储分离架构下的“Split-Brain”

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 ;

正文到此结束
Loading...