网易视频云Hase RegionServer宕机案件侦查.docx

网易视频云:HBase RegionServer宕机案件侦查 今天网易视频云技术专家给大家分享一下HBase–RegionServer宕机案件侦查，欢迎参与讨论。　本来静谧的晚上，吃着葡萄干看着球赛，何等惬意。可偏偏一条报警短信如闪电一般打破了夜晚的宁静，线上集群一台RS宕了！于是倏地从床上坐起来，看了看监控，瞬间惊呆了：单台机器的读写吞吐量竟然达到了5w ops/sec！RS宕机是因为这么大的写入量造成的？如果真是这样，它是怎么造成的？如果不是这样，那又是什么原因？各种疑问瞬间从脑子里一一闪过，甭管那么多，先把日志备份一份，再把RS拉起来。接下来还是Bug排查老套路：日志、监控和源码三管齐下，来看看到底发生了什么！　案件现场篇　下图是使用监控工具Ganglia对事发RegionServer当时读写吞吐量的监控曲线，从图中可以看出，大约在19点~21点半的时间段内，这台RS的吞吐量都维持了3w ops/sec左右，峰值更是达到了6w ops/sec。之前我们就线上单台RS能够承受的最大读写吞吐量进行过测定，基本也就维持在2w左右，主要是因为网络带宽瓶颈。而在宕机前这台RS的读写吞吐量超出这么多，直觉告诉我RS宕机原因就是它！　　接着就赶紧把日志拉出来看，满屏的responseTooSlow，如下图所示：　　很显然，这种异常最大可能原因就是Full GC，果然，经过耐心地排查，可以看到很多如下所示的Full GC日志片段：　2016-04-14 21:27:13,174 WARN [JvmPauseMonitor] util.JvmPauseMonitor: Detected pause in JVM or host machine (eg GC): pause of approximately 20542ms　GC pool ParNew had collection(s): count=1 time=0ms　GC pool ConcurrentMarkSweep had collection(s): count=2 time=20898ms　2016-04-14 21:27:13,174 WARN [regionserver60020.periodicFlusher] util.Sleeper: We slept 20936ms instead of 100ms, this is likely due to a long garbage collecting pause and its usually bad, see /book.html#trouble.rs.runtime.zkexpired　可以看出，HBase执行了一次CMS GC，导致整个进程所有线程被挂起了20s。通过对MemStore的监控也可以看出这段时间GC力度之大，如下图所示：　　GC时间长最明显的危害是会造成上层业务的阻塞，通过日志也可以看出些许端倪：　java.io.IOException: Connection reset by peer　at sun.nio.ch.FileDispatcherImpl.read0(Native Method)　at sun.nio.ch.SocketDispatcher.read(SocketDispatcher.java:39)　at sun.nio.ch.IOUtil.readIntoNativeBuffer(IOUtil.java:223)　at sun.nio.ch.IOUtil.read(IOUtil.java:197)　at sun.nio.ch.SocketChannelImpl.read(SocketChannelImpl.java:384)　at org.apache.hadoop.hbase.ipc.RpcServer.channelRead(RpcServer.java:2246)　at org.apache.hadoop.hbase.ipc.RpcServer$Connection.readAndProcess(RpcServer.java:1496)　....　2016-04-14 21:32:40,173 WARN [B.DefaultRpcServer.handler=125,queue=5,port=60020] ipc.RpcServer: RpcServer.respondercallId: 7540 service: ClientService methodName: Multi size: 100.2 K connection: 39:56031: output error　2016-04-14 21:32:40,173 WARN [B.DefaultRpcServer.h