Redis Cluster迁移遇到的各种运维坑及解决方案(1)
2016-02-20 19:34:04 来源: 董泽润 高效运维 评论:0 点击:
嘉宾介绍
董泽润 【高级DBA】
2010—2012年在搜狐畅游,负责游戏Mysql相关的运维。
2012—2015年在赶集网担任DBA,负责整个数据库团队的建设,主要研究 Mysql、Redis、MongoDB 等技术。
2015—至今在一家图片社交公司,专注于 Redis 的运维和自动化研发工作。
引子
这个7月注定不平凡,通过7月连续的Redis故障,细心如你,一定会对技术、公司、同事、职业有了更深刻的认识和反思,先回忆下吧……
本文主要涉及到的故障包括:
1.网卡故障
2.这该死的连接数
3.疑似 Cluster 脑裂?
4.Bgsave传统的典型问题
5.主库重启 Flush 掉从库
好的,敬请欣赏。
Redis Cluster 的迁移之路
我们Redis 部署特点如下:
◆集中部署,N台机器专职负责某个产品线。
◆传统 Twemproxy 方式,额外会有自己定制几套 Twemproxy 。
可以看出来,非常传统的方式。开始只有一个Default集群,PHP 所有功能获取Redis句柄都是这个,流量增长后开始按功能划分。
5月中旬,我来到公司,开始推进 Redis Cluster,争取替换掉 Twemproxy,制定了如下方案:
- Redis Cluster => Smart Proxy => PHP
集群模式能够做到自动扩容,可以把机器当成资源池使用
在 PHP 前面部署基于 Cluster 的 Smart Proxy,这是非常必要的,后文会说到。由于公司有自定义 Redis 和 Twemproxy 版本,所以为了做到无缝迁移,必须使用实时同步工具。
好在有@goroutine Redis-Port,非常感谢原 Codis 作者刘奇大大。
基于Redis-Port,修改代码可以把 Redis 玩出各种花样,如同七巧板一样,只有你想不到的没有他做不到的,可以不夸张的说是 Redis 界的瑞士军刀:
◆实时同步两套集群
◆跨机房同步
◆同步部分指定Key
◆删除指定Key
◆统计Redis内存分布
◆……
迁移方案如下:
1.Redis Master => Redis-Port => Smart Proxy => Redis Cluster
也即,Redis-Port 从原Redis Master 读取数据,再通过Smart Proxy 写入到 Redis Cluster。
2.修改 PHP Config, Gitlab 发布上线,使用新集群配置。
3.停掉老 Twemproxy 集群,完成迁移。
这种迁移方案下,原Redis 无需停业务。
注意:
此方案中的Smart Proxy 是我们自己写的,事实证明很有必要,其作为Redis Cluster 的前端,用来屏蔽Redis Cluster 的复杂性。
方案看似简单,实际使用要慎重。大家都知道 Redis Rdb Bgsave 会使线上卡顿,所以需要在低峰期做,并且轮流 Redis Master 同步,千万不能同时用 Redis Port 做 Sync。
在实施过程中,遇到多种问题,现在简要阐述如下:
问题1:还是网卡故障
想起《东京爱情故事》主题曲,突如其来的爱情,不知该从何说起。
故障的图找不到了,截图一张正常网卡流量图 -_^
千兆网卡在某个周五23:00业务高峰期被打满,导致线上请求失败—如坐针毡的波峰图。
如前文所说,公司集中部署 Redis,此业务是线上 Cache 个人详情页登陆相关的,一共4台机器,每台20实例,无法做到立刻扩容,紧急之下 RD 同学降级,抛掉前端30%的请求。只是恢复后,高峰期已过。
Leader要求周六所有人加班去迁移,But,2点多大家睡了,嗯,就这样睡了ZZZZ~~ 故障暂时解决,但故事依然继续……
周六上午10点,市场运营推送消息,导致人为打造了小高峰,又是如坐针毡的波峰图,服务立马报警,紧急之下立马再次抛掉30%请求。
然后,紧急搭建两套不同功能的 Redis Cluster 集群,采用冷启动的方式,一点点将 Cache 流量打到新集群中,Mysql 几台从库 QPS 一度冲到8K。
针对网卡最后引出两个解决方案:
1.所有Redis 机器做双网卡 Bonding,变成2000Mbps。
2.所有 Redis 产品线散开,混合部署打散。
3.增加网卡流量监控,到达60%报警。
反思:
为什么要睡觉?而不是连夜迁移?做为运维人员,危险意识不够足。
另外:还有一起网卡故障,是应用层 Bug,频繁请求大 Json Key 打满网卡。当时QPS稳定保持在20W左右,千兆网卡被打满。临时解决方案直接干掉这个Key,过后再由 RD 排查。
深度剖析:
◆监控报警不到位,对于创业公司比较常见,发生一起解决一起。
◆针对这类问题,有两个想法:QPS 报警,比如阀值定在2W。还有一个在Proxy上做文章,对 Key 的访问做限速或增加 Key 的屏蔽功能。
◆QPS报警后运维人员排查,可能已经产生影响了,在Proxy层做对性能会有影响。
相关热词搜索:Redis Cluster 迁移 解决方案