这300条数据变更，引发了十亿级核心集群的罢工惨案！

杨亚洲 2021-06-18 10:18:49

作者介绍

杨亚洲，前滴滴出行专家工程师，现任OPPO文档数据库mongodb负责人，负责数万亿级数据量文档数据库mongodb内核研发、性能优化及运维工作，一直专注于分布式缓存、高性能服务端、数据库、中间件等相关研发。后续持续分享《MongoDB内核源码设计、性能优化、最佳运维实践》，Github账号地址:https://github.com/y123456yz

线上某核心mongodb集群数据量很少，单表数据量十亿级，但是该集群比较核心，影响公司收入流水。本文通过分享本次踩坑来分享整个故障经过，该故障为一次经典的mongodb分片sharding集群踩坑故障，包括变更通知不到位、部署架构不到位、变更考虑不仔细等。

一、问题背景

某核心mongodb历史集群(入职前就有的一个集群)，在对现在所有mongodb集群进行风险梳理过程中，发现该集群存在一些潜在的集群抖动风险，该集群架构及流量时延曲线如下：

如上图所示，该分片集群由3个分片组成，集群读写流量很低，峰值QPS约4-6W/s，平均时延1ms，每个分片采用mongodb复制集架构实现高可用。通过巡检发现该集群存在如下几个问题：

该集群只包含两个用户库，userbucket库和feeds_content库，两个库中只有feeds_xxxxxxx.collection1启用了分片功能；第一个userbucket库存储集群路由信息，第二个feeds_xxxxxxx库存储约十亿数据信息；
由于该集群主要是读多写少集群，读流量都是读取feeds_xxxxxxx库中的数据，并且客户端做了读写分离，所以几乎大部分读流量都在分片1。分片2和分片3只有少量数据。

库表信息如下表所示：

库名	表名	功能说明
userbucket	whitexxx/expxxx	用户路由信息表，约300条数据。用户访问feeds_xxxxxxx库前必须先获取该表得用户路由数据
feeds_xxxxxxx	feeds_xxx_pool	十亿级数据，未启用分片
	hardware_xxx_cost	未启用分片，少量数据
	news_xxx_profile	数亿数据，未启用分片
	resource_xxx_info	数千万数据，启用分片
	resource_xxx_info	未启用分片，数亿数据
	resource_xxx_info	未启用分片，数亿数据
	......	......

上面的描述可以总结为下图：

从上图可以看出，分片2和分片3几乎没起到任何作用；由于分片3有两个节点为低IO的sata盘，可能影响userbucket库的读写，因此考虑直接removeShard从集群中剔除分片3和分片2。

二、操作过程

由于分片3为低IO服务器，有潜在抖动集群抖动分享；同时分片2和分片3几乎都是浪费的分片，因此打散直接通过如下removeshad命令删除分片3和分片2信息，腾出无用服务器资源，如下图所示：

步骤1：登陆任一一个代理，假设是代理mongos1。
步骤2：由于分片3(也就是shard_8D5370B4分片)为userbucket库的主分片，因此报错了，提示"you need to drop or movePrimary these databases"，意思是我们需要提前把该库的主分片信息迁移到其他分片。
步骤3：通过movePrimary命令把userbucket库的主分片从分片3迁移到分片1。
步骤4：登陆监控列表中的其他两个代理mongos2、mongos3，通过db.adminCommand({"flushRouterConfig":1}) 强制刷新路由信息。

注意事项：由于movePrimary过程，其他代理不会感知到该库的主分片变化，因此需要强制刷新路由信息或者重启其他节点的mongos，参考如下：

三、用户反馈大部分请求业务请求不可用

对含有300条数据的userbucket库变更后，当我还在若无其事的处理其他集群性能调优的时候，用户突然反馈该核心集群部分访问不可用（注意：是整个10亿级表部分访问不可用，不仅仅是变更的300条数据访问不可用）。

收到电话后很突然，和业务人员详细对接后可以基本上确定是因为这300条数据变更引起。业务获取这300条数据的时候，部分请求获取成功，部分请求获取失败，说明肯定和movePrimary有关系。

于是，除了对监控列表中的所有代理做flushRouterConfig强制路由刷新外，还重启了所有的代理，但是业务反馈，还是有部分请求获取不到数据。比较棘手，我自己通过所有的mongos代理查看userbucket库下面的300条数据，完全可以获取到数据。

于是怀疑是不是还有未刷新路由的mongos代理，于是登陆任一mongos代理获取config.mongos表，查看结果如下：

上面的config.mongos表记录了该集群所有的代理信息，同时记录了这些代理和集群最后一次ping通信的详细时间信息。很明显，该表中记录的代理原不止集群监控列表中的代理个数，比监控列表中的个数要多。

最终，把config.mongos表中罗列的当前在线的所有代理强制通过flushRouterConfig刷新路由后，业务恢复。

四、问题总结

通过前面的分析可以得出，由于早期集群监控中漏掉了部分代理，造成这部分代理对应的userbucket路由信息是movePrimary前的路由信息，也就是指向了错误的分片，因此出现了路由不到数据的情况，如下图所示：

为何用户userbucket库对应表中数据有的成功有的失败？

因为部分代理在moveprimary后，没有强制刷新该表路由信息，造成部分代理路由获取数据的时候路由错误。

为何该300条数据部分路由信息错误会造成整个10亿集群部分访问不可用？

和业务实现逻辑有关系，因为业务在获取这10亿条数据前首先需要获取业务的路由信息，刚好业务路由信息存在了userbucket库对应表中，业务在获取数据前必须要获取到业务的路由信息数据，如果userbucket数据获取不到，用户就无法确定指向feeds_xxxxxxx数据。

为何会遗漏部分代理重启或者强制路由刷新？

历史原因，造成部分代理业务代码有配置，但是服务端集群监控元数据遗漏了，也就是服务端集群监控漏掉了部分代理，这部分代理没有监控起来。也有可能是mongos代理扩容，但是集群监控列表中没有加入元数据。

movePrimary操作最安全的操作方法？

官方建议movePrimary操作成功后需要强制路由刷新或者重启mongos，但是movePrimary操作成功和mongos重启这个过程中有个中间状态，如果中间状态业务读或者些该迁移的库下面的表，还是可能路由错误。

因此，最佳安全的moveprimary可以通过如下两个方法操作：

法一：shutdown所有代理，只留下一个代理，等该代理moveprimary成功后在重启其他mongos代理。切记别遗漏代理，出现本文踩坑类似情况，提前检查config.mongos表。

法二：如果某些库的主分片在需要removeShard下掉的分片的时候，对该库的表启用分片功能，启用分片功能后会有chunk信息，当removeShard某个分片的时候会自动迁移该分片的chunk到其他分片，整个过程可以保证所有代理获取最新最完整的路由信息(所有代理通过chunk version版本管理机制来实时更新最新的路由信息)。