分库分表中间件的高可用实践讲解
前言
分库分表中间件在我们一年多的锤炼下，基本解决了可用性和高性能的问题(只能说基本，肯定还有隐藏的坑要填)，问题自然而然的就聚焦于高可用。本文就阐述了我们在这方面做出的一些工作。
哪些高可用的问题
作为一个无状态的中间件，高可用问题并没有那么困难。但是尽量减少不可用期间的流量损失，还是需要一定的工作的。这些流量损失主要分布在:
由于我们的中间件是作为数据库的代理提供给应用的,即应用把我们的中间件当做数据库，如下图所示:
编辑切换为居中
添加图片注释，不超过 140 字（可选）
所以出现上述问题后，业务上很难通过重试等操作去屏蔽这些影响。这就势必需要我们在底层做一些操作，能够自动的感知中间件的状态从而有效避免流量的损失。
中间件所在物理机宕机的情况
物理机宕机其实是一种常见现象，这时候应用一瞬间就没了响应。那么跑在上面的 sql 肯定也是失败了的(准确来说是未知状态，除非重新查询后端数据库，应用无法得知准确的状态)。这部分流量我们肯定是无法挽救。我们所做的是在 client 端(Druid 数据源)能够快速的发现并剔除宕机的中间件节点。
发现并剔除不可用节点
通过心跳去发现不可用节点
自然而然的我们通过心跳来探查后端中间件的存活状态。我们通过定时创建一个新连接 ping(mysql 的 ping)一下然后立马关闭来做心跳(这种做法便于我们区分正常流量和心跳流量，如果通过保持一个连接然后一直发送类似 select '1'的 sql 这种方式的话区分流量会稍微麻烦点)。
编辑切换为居中
添加图片注释，不超过 140 字（可选）
为了防止网络抖动造成的偶发性 connect 失败，我们在三次 connect 都失败后才判定某台中间件处于不可用状态。而这三次的探活却延长了错误感知时间，所以我们三次 connect 的时间间隔是指数级衰减的，如下图所示:
编辑切换为居中
添加图片注释，不超过 140 字（可选）
为何不在第一次 connect 失败后，连续发送两次 connect 呢？可能考虑到网络的抖动可能会有一个时间窗口，如果在时间窗口内连续发了 3 次，出了这个时间窗口网络又 okay 了，那么会错误的发现后端某节点不可用了,所以我们就做了指数级衰减的折衷。
通过错误计数去发现不可用节点
上述的心跳感知始终有一个时间窗口，当流量很大的时候，在这个时间窗口内使用这个不可用节点的都会失败,所以我们可以使用错误计数去辅助不可用节点的感知(当然这个手段的实现还在计划中)。
编辑切换为居中
添加图片注释，不超过 140 字（可选）
这边有一个注意的点是，只能通过创建连接异常来计数，并不能通过 read timeout 之类的来计算。原因是，read timeout 异常可能是慢 sql 或者后端数据库的问题导致，只有创建连接异常才能确定是中间件的问题(connection closed 也可能是后端关闭了这个连接,并不代表整体不可用),如下图所示:
编辑切换为居中
添加图片注释，不超过 140 字（可选）
一个请求使用若干个连接导致的问题
由于我们需要保证事务尽可能小，所以在一个请求里面多条 sql 并不使用同一个连接。在非事务(auto-commit)情况下，运行多少条 sql 就从连接池里面取出多少连接，并放回。保证事务小是非常重要的，但是这在中间件宕机的时候会导致一些问题，如下图所示:
编辑切换为居中
添加图片注释，不超过 140 字（可选）
如上图所示，在故障发现窗口期中(即还没有确定某台中间件不可用时)，数据源是随机选择连接的。而这个连接就有一定 1/N(N 为中间件个数)的概率命中不可用中间件导致一条 sql 失败进而导致整个请求失败。我们做一个计算：
更为甚者，整个应用集群都会经历这个阶段，即每台应用都有 93%的概率失败。 一台中间件宕机导致整个服务在十几秒内基本所有请求基本都失败，这是不可忍受的。
Linux 服务器开发高级架构师系统学习视频链接：C/C++Linux服务器开发/Linux后台架构师/进阶学习视频
关于中间件学习视频资料获取点击：中间件学习资料。
编辑
添加图片注释，不超过 140 字（可选）
采用 sticky 数据源解决问题
由于我们不能瞬间发现并确认中间件不可用，所以这个故障发现窗口肯定存在(当然，错误计数法会在很大程度上缩短发现时间)。但理想状况下，宕机一台，只损失 1/N 的流量就好了。我们采用了 sticky 数据源解决了这个问题，使得在概率上大致只损失 1/N 的流量,如下图所示:
编辑切换为居中
添加图片注释，不超过 140 字（可选）
而配合错误计数的话，总流量的损失会更小(因为故障窗口短)如上图所示，只有在故障时间内随机选择到中间件 2(不可用)的请求才会失败，再让我们看下整个应用集群的情况。
编辑切换为居中
添加图片注释，不超过 140 字（可选）
只有 sticky 到中间件 2 的请求流量才有损失，由于是随机选择，所以这个流量的损失应用在 1/N。
中间件升级发布过程中的高可用
分库分表中间件的升级发布不可避免。例如 bug fix 以及新功能添加等都需要重启中间件。而重启的时间也会导致不可用，与物理机宕机的情况相比是其不可用的时间点是可知的，重启的动作也是可控的，那么我们就可以利用这些信息去做到流量的平滑无损。
让 client 端感知即将下线
在笔者所知的很多做法中，让 client 端感知下线是引入一个第三方协调者(例如 zookeeper/etcd)。而我们并不想引入第三方的组件去做这个操作，因为这又会引入 zookeeper 的高可用问题，而且会让 client 端的配置更加复杂。平滑无损的大致思路(状态机)如下图所示:
编辑切换为居中
添加图片注释，不超过 140 字（可选）
让心跳流量感知下线而正常流量保持
我们可以复用之前 client 端检测不可用的逻辑，即让心跳的新建连接失败，而正常请求的新建连接成功。这样，client 端就会认为 Server 不可用，而在内部剔除调这个 server。由于我们只是模拟不可用，所以已经建立的连接和正常新建的连接(非心跳)都是正常可用的，如下图所示:
编辑切换为居中
添加图片注释，不超过 140 字（可选）
心跳连接的创建在 server 端可以通过其第一条执行的是 mysql 的 ping 而正常流量第一条执行的是一条 sql 来区分(当然我们采用的 Druid 连接池在新建连接成功以后也会 ping 一下，所以采用了另一种方式区分,这个细节在这里就不阐述了)。
三次心跳失败后，client 端判定 Server1 失败，需要将连接到 server1 的连接销毁。其思路是，业务层用完连接返回连接池的时候,直接给 close 掉(当然这个是简单的描述，实际操作到 Druid 数据源也是有细微的差别的)。
编辑切换为居中
添加图片注释，不超过 140 字（可选）
由于配置了一个 connection 最长保持时间,所以在这个时间之后肯定会对 Server1 的连接数为 0 由于线上流量也不低,这个收敛时间是比较快的(进一步的做法，其实是主动去销毁,不过我们尚未做这个操作)。
如何判定下线 Server 再也没有流量
在上述小心翼翼的操作之后，在 Server1 下线的过程中，是不会有流量损失的。但是我们在 Server 端还需要判定何时不会再有新的流量,这个判定标准即是 Server1 没有任何一个 client 端的连接。 这也是上面我们在执行完 sql 后销毁连接从而可以让连接数变为 0 的原因，如下图所示:
编辑切换为居中
添加图片注释，不超过 140 字（可选）
当连接数为 0 后，我们就可以重新发布 Server1(分库分表中间件)了。对于这一点，我们写了个脚本,其伪代码如下所示:
将这个脚本接入发布平台，即可进行滚动式上下线了。现在可以解释下 recover_time 为何要较长了，因为新建连接也会导致脚本计算出来的 connection count 数量增加，所以需要一个时间窗口不去建立心跳，从而能让这个脚本顺利运行。
recover_time 其实是非必要的
如果我们将心跳创建的端口号和正常流量的端口号分开，是不需要 recover_time 的，如下图所示:
编辑切换为居中
添加图片注释，不超过 140 字（可选）
采用这种方案的话，会在很大程度上降低我们 client 端代码的复杂度。但是这样无疑又给 client 端增加了一个新的配置，对使用人员就又多了一个负担，还得在网络上多一次开墙的操作，所以我们采取了 recover_time 的方案。
中间件的启动顺序问题
前面的过程是一个优雅下线的过程，但我们发现我们的中间件才上线的时候在某些情况下也不会优雅。即在中间件启动时候，如果对后端数据库刚建立的连接建立上去后由于某些原因断开了，会导致中间件的 reactor 线程卡住一分钟左右，这段时间无法服务，造成流量损失。所以我们在后端数据库连接全部创建成功后，再启动 reactor 的 accept 线程从而接收新的流量，从而解决这一问题，如下图所示:
编辑切换为居中
添加图片注释，不超过 140 字（可选）
Linux服务器开发qun720209036，欢迎来交流 2020.11.26 加入
专注C/C++ Linux后台服务器开发。
评论