写点什么

TiKV 缩容不掉如何解决?

  • 2022 年 7 月 11 日
  • 本文字数:4195 字

    阅读完需:约 14 分钟

作者: 代晓磊 _Mars 原文来源:https://tidb.net/blog/ec7009ac


TiKV 节点缩容不掉,通常遇到的情况:


  • 1、经常遇到的情况是:3 个节点的 tikv 集群缩容肯定会一直卡着,因为没有新节点接受要下线 kv 的 region peer。

  • 2、另外就是除缩容 tikv 外,剩下的 KV 硬盘使用情况比较高,到达 schedule.high-space-ratio=0.6 的限制,导致该 tikv 的 region 无法迁移。


但是今天要讨论的是:我先执行了扩容,然后再进行的缩容,仍然卡着就说不过去了。

问题现场

版本:TiDB v5.2.1 情况说明:这个 tidb 是有 tiflash 节点的,并且这个集群是一路从 3.X 升级到 5.2.1 版本 问题现场:为了下线一个 3kv 集群中的一个 kv,我们在 24 号扩容了一个新 kv,然后扩容完毕后,下线某个 kv,都过了 2 天,该 kv 还是处于 pending offline 的状态,看监控 leader+reigon 已经切走了,为啥该 kv 的状态仍然没有 tombstone?



下图是扩容和缩容 tikv 的监控,从下图可以发现扩容和缩容都已经完毕了。 


问题排查

(1)先看看有缩容问题的 TIKV 节点日志


查看日志发现有:KvService::batch_raft send response fail 报错,查了下 asktug,发现这些报错指向一个 4.X 的 bug:raft 大小限制的过大,超过 gRPC 传输通信限制导致 raft message 卡住的问题,所以影响了 region 的调度。将 TiKV 集群的 raft-max-size-per-msg 这个配置调小,降低 raft message 大小来看是否能恢复 region 调度。


如果其他人的 4.X 版本遇到这个问题可以通过上面方式搞定,但是目前我已经升级到了 5.2.1,所以上面方法不适合解决我的这个问题。相关的报错日志如下:


$ grep 'ERROR' tikv.log[2022/03/28 09:34:38.062 +08:00] [ERROR] [kv.rs:729] ["KvService::batch_raft send response fail"] [err=RemoteStopped][2022/03/28 09:34:38.062 +08:00] [ERROR] [kv.rs:729] ["KvService::batch_raft send response fail"] [err=RemoteStopped][2022/03/28 09:34:38.227 +08:00] [ERROR] [pd.rs:83] ["Failed to send read flow statistics"] [err="channel has been closed"][2022/03/28 09:34:38.261 +08:00] [ERROR] [kv.rs:729] ["KvService::batch_raft send response fail"] [err=RemoteStopped][2022/03/28 09:34:38.261 +08:00] [ERROR] [kv.rs:729] ["KvService::batch_raft send response fail"] [err=RemoteStopped][2022/03/28 09:34:55.711 +08:00] [ERROR] [server.rs:1030] ["failed to init io snooper"] [err_code=KV:Unknown] [err="\"IO snooper is not started due to not compiling with BCC\""]
复制代码


(2)查看节点情况,发现该节点除了状态为 Offline 外,leader_count/region_count 都为 0,为啥都为 0 了,等了 2 天还是 pending offline?没有变 tombstone?


tiup ctl:v5.2.1 pd -u http://pd-ip:2379 store 5{  "store": {    "id": 5,    "address": "xxxx:20160",    "state": 1,    "version": "5.2.1",    "status_address": "xxxxx:20180",    "git_hash": "2c99f317d4ba125b772a8b94a6c3c0eb9d07ac59",    "start_timestamp": 1648465247,    "deploy_path": "/data/deploy/bin",    "last_heartbeat": 1648517045511041818,    "state_name": "Offline"  },  "status": {    "capacity": "0B",    "available": "0B",    "used_size": "0B",    "leader_count": 0,    "leader_weight": 1,    "leader_score": 0,    "leader_size": 0,    "region_count": 0,    "region_weight": 1,    "region_score": 0,    "region_size": 0,    "slow_score": 0,    "start_ts": "2022-03-28T19:00:47+08:00",    "last_heartbeat_ts": "2022-03-29T09:24:05.511041818+08:00",    "uptime": "14h23m18.511041818s"  }}
复制代码


(3)查看有问题 tikv 节点的 region 信息。


结果发现不得了的结果,这个不能成功下线的 tikv store 5,竟然还有一个 id 为 434317 的 region,这个 region 没有 leader,有 3 个 voter(在 store 5 、1 、 4 上) 和 2 个 Learner(在 tiflash store 390553 和 390554 上),并且这 2 个 tiflash store 还是集群升级前 4.0.9 版本的 store id,并且之前对 tikv/tiflash 节点执行过 scale-in –force 等暴力下线的操作,至于该 region 为啥没有选出 leader,一则可能是 bug,二则可能是暴力下线 tikv/tiflash 导致。


也就是说:这个没有 leader 的 region:434317,因为他在 store_id:5 上还有记录,这个问题成为了阻碍该 tikv 一直卡到 offline 状态无法成功下线的原因。


$ tiup ctl:v5.2.1 pd -u http://pd-ip:2379 region store 5{  "count": 1,  "regions": [    {      "id": 434317,      "start_key": "748000000000002DFFB95F720000000000FA",      "end_key": "748000000000002DFFB95F728000000003FF3F16990000000000FA",      "epoch": {        "conf_ver": 7,        "version": 4204      },      "peers": [        {          "id": 434318,          "store_id": 1,          "role_name": "Voter"        },        {          "id": 434319,          "store_id": 4,          "role_name": "Voter"        },        {          "id": 434320,          "store_id": 5,          "role_name": "Voter"        },        {          "id": 434321,          "store_id": 390553,          "role": 1,          "role_name": "Learner",          "is_learner": true        },        {          "id": 434322,          "store_id": 390554,          "role": 1,          "role_name": "Learner",          "is_learner": true        }      ],      "leader": {        "role_name": "Voter"      },      "written_bytes": 0,      "read_bytes": 0,      "written_keys": 0,      "read_keys": 0,      "approximate_size": 0,      "approximate_keys": 0    }  ]}
复制代码


(4)查看下该 region 对应的库表信息,看是否对业务有影响,执行后发现是个空 region:


$ curl http://tidb-server-ip:10080/regions/434317{ "start_key": "dIAAAAAAAC25X3I=", "end_key": "dIAAAAAAAC25X3KAAAAAAz8WmQ==", "start_key_hex": "748000000000002db95f72", "end_key_hex": "748000000000002db95f7280000000033f1699", "region_id": 434317, "frames": null}
复制代码


问题已经定位,下面是如何解决了

问题解决

(1) 使用 pd-ctl,看看是否能让 434317 选出 leader,或者通过添加 peer,删除 peer 等方式解决问题。


执行尝试如下


// 把 Region 434317 的 leader 调度到 store 4$tiup ctl:v5.2.1 pd -u http://pd-ip:2379 operator add transfer-leader 434317 4    Failed! [500] "cannot build operator for region with no leader"
// 在 store 1094772 上新增 Region 434317 的副本$tiup ctl:v5.2.1 pd -u http://pd-ip:2379 operator add add-peer 434317 1094772 Failed! [500] "cannot build operator for region with no leader"
// 移除要下线 store 5 上的 Region 434317 的副本$ tiup ctl:v5.2.1 pd -u http://pd-ip:2379 operator add remove-peer 434317 5 Failed! [500] "cannot build operator for region with no leader"
复制代码


发现通过 pd-ctl 折腾的这条路走不通,因为要想实现上述操作,需要在 region 有 leader 的情况下才能操作。


(2)那我使用 pd-ctl 去把这个 store delete 如何?


tiup ctl:v5.2.1 pd -u http://pd-ip:2379 store delete 5Success!
复制代码


看到 Sucess 很激动,但是 pd-ctl store 一看,store 5 还是在记录里面。发现这一招也不管用。


(3)tiup scale-in –force 强制 / 暴力下线该 tikv 如何?


tiup cluster scale-in dsp_report -N 10.203.93.36:20160 --force
复制代码


执行完毕,tiup 里面确实没了。虽然说眼不见心不烦,但是 pd-ctl store 查看 tikv 信息还是有,崩溃!


(4)最后只能祭出 tikv-ctl 工具,来删除这个 region,因为我上文提到了这个 region 本是空 reigon,删除也不影响业务。具体 tikv-ctl 的使用和介绍就不详细说明了,可以参见我之前的公众号文章:TiDB 集群恢复之 TiKV 集群不可用


./tikv-ctl --db /data/deploy/data/db tombstone -r 434317 --force
复制代码


这么操作后,整个世界安静了,我的“强迫症”也得到满足,这个 region 终于“干净”了。


PS: 其他人遇到类似的问题,该排查方案可以参考;也可以先停止下线操作,先升级到高阶版本后再尝试缩容的,这里告诉大家一个小妙招:我如何收回正在执行的 scale-in 呢?看下面:


curl -X POST http://${pd_ip}:2379/pd/api/v1/store/${store_id}/state?state=Up
复制代码

store 的状态转换

最后这个小结讲讲 Store 状态,TiKV Store 的状态具体分为 Up,Disconnect,Offline,Down,Tombstone。各状态的关系如下:


  • Up:表示当前的 TiKV Store 处于提供服务的状态。

  • Disconnect:当 PD 和 TiKV Store 的心跳信息丢失超过 20 秒后,该 Store 的状态会变为 Disconnect 状态,当时间超过 max-store-down-time 指定的时间后,该 Store 会变为 Down 状态。

  • Down:表示该 TiKV Store 与集群失去连接的时间已经超过了 max-store-down-time 指定的时间,默认 30 分钟。超过该时间后,对应的 Store 会变为 Down,并且开始在存活的 Store 上补足各个 Region 的副本。

  • Offline:当对某个 TiKV Store 通过 PD Control 进行手动下线操作,该 Store 会变为 Offline 状态。该状态只是 Store 下线的中间状态,处于该状态的 Store 会将其上的所有 Region 搬离至其它满足搬迁条件的 Up 状态 Store。当该 Store 的 leader*count 和 region*count (在 PD Control 中获取) 均显示为 0 后,该 Store 会由 Offline 状态变为 Tombstone 状态。在 Offline 状态下,禁止关闭该 Store 服务以及其所在的物理服务器。下线过程中,如果集群里不存在满足搬迁条件的其它目标 Store(例如没有足够的 Store 能够继续满足集群的副本数量要求),该 Store 将一直处于 Offline 状态。

  • Tombstone:表示该 TiKV Store 已处于完全下线状态,可以使用 remove-tombstone 接口安全地清理该状态的 TiKV。 



本小节来自官网:https://docs.pingcap.com/zh/tidb/stable/tidb-scheduling#%E4%BF%A1%E6%81%AF%E6%94%B6%E9%9B%86


发布于: 刚刚阅读数: 2
用户头像

TiDB 社区官网:https://tidb.net/ 2021.12.15 加入

TiDB 社区干货传送门是由 TiDB 社区中布道师组委会自发组织的 TiDB 社区优质内容对外宣布的栏目,旨在加深 TiDBer 之间的交流和学习。一起构建有爱、互助、共创共建的 TiDB 社区 https://tidb.net/

评论

发布
暂无评论
TiKV缩容不掉如何解决?_集群管理_TiDB 社区干货传送门_InfoQ写作社区