联通大数据 5000 台规模集群故障自愈实践

阅读数:2453 2019 年 8 月 28 日 08:00

联通大数据5000台规模集群故障自愈实践

本文由 dbaplus 社群授权转载

背景

作为运维人员,做得最多的工作就是日常巡检、故障恢复。公司集群规模越庞大,故障发生率和故障实例数也在成倍增加。每天来到公司,第一件事儿就是要看看有哪些机器坏了?坏哪儿了?集群存储还够吗?底层数据存储是否均衡?然后针对每个故障逐一解决。笔者亲身经历就是过年连懒觉都睡不成,集群故障了,一个电话过来立马清醒,然后默默地恢复故障。这样的经历我觉得每个运维人都含着泪经历过。

改变

通过采集分析 Prometheus 里的告警数据,利用 fabric 或 ansible 等多线程安全并发远程连接工具,执行相关角色实例的恢复工作。

联通大数据5000台规模集群故障自愈实践

fabric 建立连接执行恢复命令。

联通大数据5000台规模集群故障自愈实践

目前集群规模将近 5000 台,其中两个大规模的集群节点数均为一千多台。

目前自动化恢复涉及的集群日常运维操作有:

  • 计算节点检测出使用 swap 交换分区,将会自动清理 swap 分区并关闭 swap 分区;
  • 计算节点检测出时钟偏差,将会自动纠偏时钟偏差;
  • Cloudera Manager 代理挂掉,将会自动重启;
  • 主机检测出有坏盘,坏盘更换完成后,自动恢复;
  • 角色实例检测出异常掉线,自动恢复上线(如 NameNode、DataNode、ResourceManager、NodeManager 等);
  • 集群存在多个节点多块磁盘存储剩余空间不足,自动进行磁盘级别的数据 Balancer;
  • 集群存储达到阈值,自动进行节点级别的数据 Balancer。

自动化恢复的适用场景很多,但一定要做到严谨地对症下药,并且要考虑清楚问题的严重性和普遍性。

以上 7 点自动恢复是集群常见故障,该类故障频发且影响范围较小,并不会影响集群的可用性,因此可以实施自动化恢复。

对于平台罕见故障,且该故障有一定概率会对平台造成部分功能性能影响的,最好的办法是做好告警和应急处理。

下面分享几个自动化恢复实践:

1)计算节点检测出使用 swap 交换分区,将会自动清理 swap 分区并关闭 swap 分区

根据监控数据,获取 swap 开启的计算机点,远程连接进行 swap 分区关闭。

复制代码
def recover_HOST_MEMORY_SWAPPING(self,list):
com=("swapoff -a")
for i in range(len(list)):
con = Connection(list[i]['ipAddress'], port=22, user=user, connect_timeout=360, forward_agent=True,
connect_kwargs={'password': self.password})
con.sudo(command=com,password=self.password,shell=False,hide='stderr',encoding='utf-8',pty=True)
con.close()

2)Cloudera Manager 代理挂掉,将会自动重启

根据监控数据,获取 agent 异常下线的计算节点,远程连接进行 agent 上线操作。

复制代码
def recover_HOST_SCM_HEALTH(self,list):
com=("/opt/cm-5.13.1/etc/init.d/cloudera-scm-agent restart")
for i in range(len(list)):
con = Connection(list[i]['ipAddress'], port=22, user=user, connect_timeout=360, forward_agent=True,
connect_kwargs={'password': self.password})
con.sudo(command=com,password=self.password,shell=False,hide='stderr',encoding='utf-8',pty=True)
con.close()

3)计算节点检测出时钟偏差,将会自动纠偏时钟偏差

由于集群资源每天有将近 16 小时处于打满状态,容易造成集群部分计算节点负载过高,导致节点上的 DN、NM 掉线。这时候需要重启计算节点,但重启节点会造成机器时钟偏差,通过监控告警我们检测到了时钟偏差,接下来通过读取 Prometheus 中的时钟偏差节点信息,来进行时钟源同步操作。

联通大数据5000台规模集群故障自愈实践

具体时钟偏差恢复的代码实例如下:

复制代码
from fabric import Connection
def recover_HOST_CLOCK_OFFSET(self,list):
com=["systemctl stop ntpd","ntpdate ntp_src","sleep 1","ntpdate ntp_src","sleep 1","ntpdate ntp_src","sleep 1","systemctl start ntpd","/opt/cm-5.13.1/etc/init.d/cloudera-scm-agent restart"]
for i in range(len(list)):
con = Connection(list[i]['ipAddress'], port=22, user=user, connect_timeout=360, forward_agent=True,
connect_kwargs={'password': self.password})
for j in range(len(com)):
con.sudo(command=com[j], password=self.password, shell=False, hide='stderr', encoding='utf-8', pty=True)
con.close()

4)集群角色异常退出

如下图:监控告警发现 NodeManager 实例发生故障实践在 2019-08-12 04:28:02,一般这个时间段,运维人员都在深度睡眠。这时自愈程序将根据告警自动恢复角色实例,恢复实践周期在 5 分钟之内,于 2019-08-12 04:32:02 DN 实例和 NM 实例恢复上线。

联通大数据5000台规模集群故障自愈实践

联通大数据5000台规模集群故障自愈实践

当前集群使用的 CDH5.13.1 版本,可以直接通过 CM_API 实现角色实例自愈,如果是手工搭建版本,可以使用 fabric 或者 Paramiko 连接到节点启动相应角色实例。

「CM_API 使用说明」参考链接: https://cloudera.github.io/cm_api/docs/python-client-swagger/

具体 DN 角色自愈代码如下:

复制代码
import cm_client
api_url = api_host + ':' + port + '/api/' + api_version
api_client = cm_client.ApiClient(api_url)
cluster_api_instance = cm_client.ClustersResourceApi(api_client)
# Lists all known clusters.
api_response = cluster_api_instance.read_clusters(view='SUMMARY')
for cluster in api_response.items:
print (cluster.name, "-", cluster.full_version)
if cluster.full_version.startswith("5."):
services_api_instance = cm_client.ServicesResourceApi(api_client)
services = services_api_instance.read_services(cluster.name, view='FULL')
for service in services.items:
#print (service.name)
if service.type == 'HDFS':
hdfs = service
if cluster.full_version.startswith("5."):
roles_api_instance = cm_client.RolesResourceApi(api_client)
// 根据集群名称,服务实例名称获取相对应的角色实例列表
role_response = roles_api_instance.read_roles(cluster.name, hdfs.name, view='FULL')
// 获取状态为 bad 的 dn 角色实例(手工搭建集群可以通过读取 prometheus 的告警数据进行掉线角色实例的恢复。)
bad_dn_roles = [role.name for role in role_response.items if (role.type == 'DATANODE' and role.health_summary == 'BAD')]
roles_cmd_api_instance = cm_client.RoleCommandsResourceApi(api_client)
role_names = cm_client.ApiRoleNameList(bad_dn_roles)
// 重启角色实例
cmd_list = roles_cmd_api_instance.restart_command(cluster.name, hdfs.name, body=role_names)
for cmd in cmd_list.items:
print (cmd.name, "(", cmd.id, cmd.active, cmd.success, ")")

执行完成后,返回执行结果:

联通大数据5000台规模集群故障自愈实践

5)集群个别节点上的磁盘存储超过 90% 的阈值

背景:集群节点数过多后,默认的数据落盘策略为轮训,由于部分节点存储异构,会导致有部分节点存储打满,这时我们可以修改数据落盘策略为剩余空间策略,即根据节点剩余存储空间的多少来决定数据优先落盘的顺序。

但是,即使这样解决了节点存储的均衡,也不能解决个别磁盘的存储打满,在 Apache 社区的 Hadoop3 版本中 dfs.disk.balancer 才可以使用。在 CDH5.13.1 的 Hadoop2.6.0 版本,已经可以使用该功能。但是磁盘何时快打满无法预测,并且在大规模集群中,往往多了一个账期的数据,就会有大量的磁盘达到存储告警阈值。当 HDFS 集群单节点内部多块数据硬盘数据倾斜时,会造成热点硬盘使用量激增,甚至打满,此时集群 balance 是无用的,就需要用 DiskBalancer,这时我们就可以根据告警信息来自动化的进行磁盘数据均衡。

开启方法:

修改 hdfs-site.xml 文件。

联通大数据5000台规模集群故障自愈实践

true 表示开启 DiskBalancer。

命令:

hdfs diskbalancer -[command] [options]

command:

  1. plan(制定平衡计划)

可执行参数

–bandwidth <arg>:平衡带宽,默认单位 M/S

–out <arg>:计划输出目录

–v: 输出计划

  1. execute(执行计划)

  2. query(查询进度)

  3. cancel(取消计划)

实例:

DN 节点 lf-319-sq210 发生数据倾斜。

联通大数据5000台规模集群故障自愈实践

登陆到 lf-319-sq210 主机,切换至 HDFS 用户。

制定平衡计划:

hdfs diskbalancer -plan lf-319-sq210.plan.json --out ~/2019-Jul-20-15-25-29 --thresholdPercentage 10

联通大数据5000台规模集群故障自愈实践

执行平衡计划:

hdfs diskbalancer -execute /var/lib/hadoop-hdfs/2019-Jul-20-15-25-29/lf-319-sq210.plan.json

联通大数据5000台规模集群故障自愈实践

查询计划:

hdfs diskbalancer -query lf-319-sq210

联通大数据5000台规模集群故障自愈实践

圈中部分为正在进行,PLAN_DONE 为完成。

过一段时间观察 lf-319-sq210 磁盘情况:

联通大数据5000台规模集群故障自愈实践

可以清晰的看出,磁盘已经开始平衡了。

以上是磁盘级别的数据平衡操作步骤,以下是通过 fabric 进行远程命令的执行,以实现自动化恢复。

复制代码
def recover_DATA_NODE_FREE_SPACE_REMAINING(self,list):
com=("su hdfs -c 'whoami;export JAVA_HOME=/opt/jdk;export CLASSPATH=.:$JAVA_HOME/lib:$CLASSPATH;export PATH=$JAVA_HOME/bin:$PATH;hdfs diskbalancer -plan $HOSTNAME.plan.json --out ~/`date \'+diskbalancer_%Y_%m_%d\'` --thresholdPercentage 10;sleep 5;hdfs diskbalancer -execute /var/lib/hadoop-hdfs/`date \'+diskbalancer_%Y_%m_%d\'`/$HOSTNAME.plan.json'")
for i in range(len(list)):
con = Connection(list[i]['ipAddress'], port=22, user=user, connect_timeout=360, forward_agent=True,
connect_kwargs={'password': self.password})
con.sudo(command=com,password=self.password,shell=False,hide='stderr',encoding='utf-8',pty=True)
con.close()

集群自愈也是大规模集群治理工作的一项重要环节,遵循降本增效、安全至上的原则,能减少运维人员的大量常规工作量,也能及时有效地恢复故障,减少小故障引发集群大事故的可能性。

作者介绍

余澈,中国联通大数据技术部平台组核心技术负责人,项目管理高级工程师,具有多年大数据平台运维管理及开发优化经验。管理过多个上千节点集群,擅长对外多租户平台的维护开发。信科院大数据性能测试、功能测试主力,大厂 PK 获得双项第一。

原文链接

https://mp.weixin.qq.com/s/S7V2KnXWitpp2lfWSx2kmg

评论

发布